โลกของเราเผชิญกับวิกฤตการสูญพันธุ์ทั่วโลก รายงานสหประชาชาติ แสดงให้เห็นจำนวนที่น่าตกใจกว่าล้านชนิดที่กลัวว่าจะสูญพันธุ์ สาเหตุที่พบบ่อยที่สุดของการสูญพันธุ์ ได้แก่ การสูญเสียถิ่นที่อยู่ การรุกล้ำ และชนิดพันธุ์ที่รุกราน หลาย มูลนิธิอนุรักษ์สัตว์ป่า, นักวิจัย อาสาสมัคร และ แรนเจอร์ต่อต้านการลักลอบล่าสัตว์ ได้ทำงานอย่างไม่รู้จักเหน็ดเหนื่อยเพื่อแก้ไขวิกฤตินี้ การมีข้อมูลที่ถูกต้องและสม่ำเสมอเกี่ยวกับสัตว์ใกล้สูญพันธุ์ในป่าจะช่วยปรับปรุงความสามารถของนักอนุรักษ์สัตว์ป่าในการศึกษาและอนุรักษ์สัตว์ใกล้สูญพันธุ์ นักวิทยาศาสตร์สัตว์ป่าและเจ้าหน้าที่ภาคสนามใช้กล้องที่มีทริกเกอร์อินฟราเรดที่เรียกว่า กับดักกล้องและวางไว้ในตำแหน่งที่มีประสิทธิภาพสูงสุดในป่าเพื่อถ่ายภาพสัตว์ป่า รูปภาพเหล่านี้จะได้รับการตรวจสอบด้วยตนเอง ซึ่งเป็นกระบวนการที่ใช้เวลานานมาก
ในโพสต์นี้ เราสาธิตวิธีแก้ปัญหาโดยใช้ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition พร้อมกับกับดักกล้องตรวจจับความเคลื่อนไหวเพื่อทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติเพื่อจดจำสายพันธุ์ที่เกิดมาและศึกษาพวกมัน Rekognition Custom Labels เป็นบริการคอมพิวเตอร์วิทัศน์ที่มีการจัดการเต็มรูปแบบ ซึ่งช่วยให้นักพัฒนาสามารถสร้างโมเดลที่กำหนดเองเพื่อจำแนกและระบุออบเจ็กต์ในรูปภาพที่มีความเฉพาะเจาะจงและไม่ซ้ำกับกรณีการใช้งานของตน เราให้รายละเอียดวิธีจำแนกสัตว์ที่ใกล้สูญพันธุ์จากภาพที่รวบรวมจากกล้องดักจับ ดึงข้อมูลเชิงลึกเกี่ยวกับการนับจำนวนประชากรของพวกมัน และตรวจจับมนุษย์ที่อยู่รอบตัวพวกมัน ข้อมูลนี้จะเป็นประโยชน์กับนักอนุรักษ์ที่สามารถตัดสินใจเชิงรุกเพื่อช่วยชีวิตพวกเขา
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมของโซลูชัน
โซลูชันนี้ใช้บริการ AI, เทคโนโลยีไร้เซิร์ฟเวอร์ และบริการที่มีการจัดการต่อไปนี้เพื่อใช้สถาปัตยกรรมที่ปรับขนาดได้และคุ้มค่า:
- อเมซอน อาเธน่า – บริการสืบค้นข้อมูลเชิงโต้ตอบแบบไร้เซิร์ฟเวอร์ที่ช่วยให้วิเคราะห์ข้อมูลใน Amazon S3 ได้ง่ายโดยใช้ SQL . มาตรฐาน
- อเมซอน คลาวด์วอตช์ – บริการตรวจสอบและสังเกตการณ์ที่รวบรวมข้อมูลการตรวจสอบและการดำเนินงานในรูปแบบของบันทึก ตัวชี้วัด และเหตุการณ์
- อเมซอน ไดนาโมดีบี – ฐานข้อมูลคีย์-ค่าและเอกสารที่ให้ประสิทธิภาพมิลลิวินาทีหลักเดียวในทุกระดับ
- AWS แลมบ์ดา – บริการประมวลผลแบบไร้เซิร์ฟเวอร์ที่ให้คุณเรียกใช้โค้ดเพื่อตอบสนองต่อทริกเกอร์ เช่น การเปลี่ยนแปลงของข้อมูล การเปลี่ยนแปลงในสถานะของระบบ หรือการกระทำของผู้ใช้
- อเมซอน QuickSight – บริการข่าวกรองธุรกิจแบบไร้เซิร์ฟเวอร์ แมชชีนเลิร์นนิง (ML) ที่ให้ข้อมูลเชิงลึก แดชบอร์ดแบบโต้ตอบ และการวิเคราะห์ที่หลากหลาย
- ความหมายของ Amazon – ใช้ ML เพื่อระบุวัตถุ บุคคล ข้อความ ฉาก และกิจกรรมในภาพและวิดีโอ ตลอดจนตรวจจับเนื้อหาที่ไม่เหมาะสม
- ป้ายกำกับที่กำหนดเองของ Amazon Rekognition – ใช้ AutoML เพื่อช่วยฝึกโมเดลที่กำหนดเองเพื่อระบุวัตถุและฉากในรูปภาพที่เจาะจงกับความต้องการทางธุรกิจของคุณ
- บริการ Amazon Simple Queue (Amazon SQS) – บริการจัดคิวข้อความที่มีการจัดการเต็มรูปแบบที่ช่วยให้คุณสามารถแยกและปรับขนาดไมโครเซอร์วิส ระบบแบบกระจาย และแอปพลิเคชันแบบไร้เซิร์ฟเวอร์
- บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) – ทำหน้าที่เป็นที่เก็บอ็อบเจ็กต์สำหรับเอกสารและอนุญาตให้มีการจัดการจากส่วนกลางด้วยการควบคุมการเข้าถึงที่ปรับแต่งอย่างละเอียด
ขั้นตอนระดับสูงในโซลูชันนี้มีดังต่อไปนี้:
- ฝึกฝนและสร้างแบบจำลองที่กำหนดเองโดยใช้ Rekognition Custom Labels เพื่อจำแนกสัตว์ใกล้สูญพันธุ์ในพื้นที่ สำหรับโพสต์นี้ เราฝึกเกี่ยวกับภาพแรด
- ภาพที่ถ่ายผ่านกับดักของกล้องตรวจจับความเคลื่อนไหวจะถูกอัปโหลดไปยังบัคเก็ต S3 ซึ่งเผยแพร่เหตุการณ์สำหรับภาพที่อัปโหลดทุกภาพ
- ฟังก์ชัน Lambda จะทำงานสำหรับทุกเหตุการณ์ที่เผยแพร่ ซึ่งจะดึงภาพจากบัคเก็ต S3 และส่งผ่านไปยังโมเดลที่กำหนดเองเพื่อตรวจจับสัตว์ที่ใกล้สูญพันธุ์
- ฟังก์ชัน Lambda ใช้ Amazon Rekognition API เพื่อระบุสัตว์ในภาพ
- หากภาพมีแรดที่ใกล้สูญพันธุ์ ฟังก์ชันจะอัปเดตฐานข้อมูล DynamoDB พร้อมจำนวนสัตว์ วันที่ถ่ายภาพ และข้อมูลเมตาที่เป็นประโยชน์อื่นๆ ที่สามารถดึงออกมาจากภาพได้ EXIF ส่วนหัว
- QuickSight ใช้ในการแสดงภาพจำนวนสัตว์และข้อมูลตำแหน่งที่รวบรวมในฐานข้อมูล DynamoDB เพื่อทำความเข้าใจความแปรปรวนของประชากรสัตว์เมื่อเวลาผ่านไป เมื่อดูที่แดชบอร์ดเป็นประจำ กลุ่มอนุรักษ์จะสามารถระบุรูปแบบและแยกสาเหตุที่เป็นไปได้ เช่น โรคภัยไข้เจ็บ สภาพภูมิอากาศ หรือการรุกล้ำที่อาจทำให้เกิดความแปรปรวนนี้และดำเนินการตามขั้นตอนในเชิงรุกเพื่อแก้ไขปัญหา
เบื้องต้น
จำเป็นต้องมีชุดการฝึกอบรมที่ดีเพื่อสร้างแบบจำลองที่มีประสิทธิภาพโดยใช้ Rekognition Custom Labels เราใช้รูปภาพจาก AWS Marketplace (ชุดข้อมูลสัตว์และสัตว์ป่าจาก Shutterstock) and Kaggle เพื่อสร้างแบบจำลอง
ดำเนินการแก้ปัญหา
เวิร์กโฟลว์ของเราประกอบด้วยขั้นตอนต่อไปนี้:
- ฝึกโมเดลแบบกำหนดเองเพื่อจำแนกประเภทสัตว์ใกล้สูญพันธุ์ (แรดในตัวอย่างของเรา) โดยใช้ความสามารถ AutoML ของ Rekognition Custom Labels
คุณยังสามารถทำตามขั้นตอนเหล่านี้ได้จากคอนโซล Rekognition Custom Labels สำหรับคำแนะนำ โปรดดูที่ การสร้างโครงการ, การสร้างชุดข้อมูลการฝึกอบรมและทดสอบและ การฝึกอบรมโมเดล Amazon Rekognition Custom Label.
ในตัวอย่างนี้ เราใช้ชุดข้อมูลจาก Kaggle ตารางต่อไปนี้สรุปเนื้อหาของชุดข้อมูล
ฉลาก | ชุดฝึกอบรม | ชุดทดสอบ |
สิงโต | 625 | 156 |
แรด | 608 | 152 |
ช้างแอฟริกา | 368 | 92 |
- อัปโหลดภาพที่ถ่ายจากกับดักของกล้องไปยังบัคเก็ต S3 ที่กำหนด
- กำหนดการแจ้งเตือนเหตุการณ์ใน สิทธิ์ ส่วนของบัคเก็ต S3 เพื่อส่งการแจ้งเตือนไปยังคิว SQS ที่กำหนดไว้เมื่อมีการเพิ่มอ็อบเจ็กต์ลงในบัคเก็ต
การดำเนินการอัปโหลดจะทริกเกอร์เหตุการณ์ที่อยู่ในคิวใน Amazon SQS โดยใช้การแจ้งเตือนเหตุการณ์ของ Amazon S3
- เพิ่มการอนุญาตที่เหมาะสมผ่านนโยบายการเข้าถึงของคิว SQS เพื่อให้บัคเก็ต S3 ส่งการแจ้งเตือนไปยังคิว
- กำหนดค่าทริกเกอร์ Lambda สำหรับคิว SQS เพื่อเรียกใช้ฟังก์ชัน Lambda เมื่อได้รับข้อความใหม่
- แก้ไขนโยบายการเข้าถึงเพื่ออนุญาตให้ฟังก์ชัน Lambda เข้าถึงคิว SQS
ฟังก์ชัน Lambda ควรมีสิทธิ์ที่ถูกต้องในการเข้าถึงคิว SQS
- ตั้งค่าตัวแปรสภาพแวดล้อมเพื่อให้สามารถเข้าถึงได้ในโค้ด
รหัสฟังก์ชันแลมบ์ดา
ฟังก์ชัน Lambda ทำงานต่อไปนี้ในการรับการแจ้งเตือนจากคิว SNS:
- เรียกใช้ API ไปที่ Amazon Rekognition เพื่อตรวจหาป้ายกำกับจากโมเดลที่กำหนดเองซึ่งระบุสายพันธุ์ที่ใกล้สูญพันธุ์:
- ดึงแท็ก EXIF จากภาพเพื่อรับวันที่ที่ถ่ายภาพและข้อมูล EXIF อื่นๆ ที่เกี่ยวข้อง รหัสต่อไปนี้ใช้การพึ่งพา (แพ็คเกจ – รุ่น) exif-reader – ^1.0.3, คมชัด – ^0.30.7:
วิธีแก้ปัญหาที่ระบุไว้ที่นี่เป็นแบบอะซิงโครนัส ภาพจะถูกดักจับโดยกับดักของกล้องและจากนั้นจะอัปโหลดไปยังบัคเก็ต S3 ในภายหลังเพื่อการประมวลผล หากมีการอัปโหลดภาพกับดักกล้องบ่อยขึ้น คุณสามารถขยายโซลูชันเพื่อตรวจจับมนุษย์ในพื้นที่ที่ถูกเฝ้าติดตาม และส่งการแจ้งเตือนไปยังนักเคลื่อนไหวที่เกี่ยวข้องเพื่อบ่งชี้ว่าอาจมีการลักลอบล่าสัตว์ในบริเวณใกล้เคียงสัตว์ที่ใกล้สูญพันธุ์เหล่านี้ ซึ่งดำเนินการผ่านฟังก์ชัน Lambda ที่เรียกใช้ Amazon Rekognition API เพื่อตรวจหาป้ายกำกับสำหรับการมีอยู่ของมนุษย์ หากตรวจพบมนุษย์ ข้อความแสดงข้อผิดพลาดจะถูกบันทึกไว้ใน CloudWatch Logs ตัววัดที่กรองแล้วในบันทึกข้อผิดพลาดจะทริกเกอร์การแจ้งเตือนของ CloudWatch ซึ่งจะส่งอีเมลไปยังนักเคลื่อนไหวเพื่อการอนุรักษ์ ซึ่งสามารถดำเนินการต่อไปได้
- ขยายโซลูชันด้วยรหัสต่อไปนี้:
- หากตรวจพบสัตว์ใกล้สูญพันธุ์ ฟังก์ชัน Lambda จะอัปเดต DynamoDB ด้วยการนับ วันที่ และข้อมูลเมตาทางเลือกอื่นๆ ที่ได้รับจากแท็ก EXIF ของรูปภาพ:
สืบค้นและแสดงภาพข้อมูล
ตอนนี้คุณสามารถใช้ Athena และ QuickSight เพื่อแสดงภาพข้อมูลได้แล้ว
- เพิ่มรายละเอียดแหล่งข้อมูล
ขั้นตอนสำคัญต่อไปคือการกำหนดฟังก์ชัน Lambda ที่เชื่อมต่อกับแหล่งข้อมูล
- เลือก สร้างฟังก์ชันแลมบ์ดา.
- ใส่ชื่อสำหรับ ชื่อแคตตาล็อก Athena และ SpillBucket; ส่วนที่เหลือสามารถตั้งค่าเริ่มต้นได้
- ปรับใช้ฟังก์ชันตัวเชื่อมต่อ
หลังจากประมวลผลภาพทั้งหมดแล้ว คุณสามารถใช้ QuickSight เพื่อแสดงภาพข้อมูลสำหรับความแปรปรวนของประชากรเมื่อเวลาผ่านไปจาก Athena
- บนคอนโซล Athena เลือกแหล่งข้อมูลและป้อนรายละเอียด
- Choose สร้างฟังก์ชันแลมบ์ดา เพื่อจัดเตรียมตัวเชื่อมต่อไปยัง DynamoDB
- บนแดชบอร์ด QuickSight ให้เลือก บทวิเคราะห์ใหม่ และ ชุดข้อมูลใหม่.
- เลือก Athena เป็นแหล่งข้อมูล
- ป้อนแค็ตตาล็อก ฐานข้อมูล และตารางเพื่อเชื่อมต่อและเลือก เลือก.
- สร้างชุดข้อมูลที่สมบูรณ์
แผนภูมิต่อไปนี้แสดงจำนวนสัตว์ใกล้สูญพันธุ์ที่จับได้ในวันที่กำหนด
ข้อมูล GPS จะแสดงเป็นส่วนหนึ่งของแท็ก EXIF ของภาพที่ถ่าย เนื่องจากความอ่อนไหวของตำแหน่งของสัตว์ที่ใกล้สูญพันธุ์เหล่านี้ ชุดข้อมูลของเราจึงไม่มีตำแหน่ง GPS อย่างไรก็ตาม เราได้สร้างแผนภูมิเชิงพื้นที่โดยใช้ข้อมูลจำลองเพื่อแสดงวิธีการแสดงตำแหน่งของคุณเมื่อมีข้อมูล GPS
ทำความสะอาด
เพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่คาดคิด โปรดปิดบริการของ AWS ที่คุณใช้เป็นส่วนหนึ่งของการสาธิตนี้ เช่น บัคเก็ต S3, ตาราง DynamoDB, QuickSight, Athena และโมเดล Rekognition Custom Labels ที่ผ่านการฝึกอบรม คุณควรลบทรัพยากรเหล่านี้โดยตรงผ่านคอนโซลบริการที่เกี่ยวข้อง หากคุณไม่ต้องการใช้อีกต่อไป อ้างถึง การลบโมเดล Amazon Rekognition Custom Labels สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการลบโมเดล
สรุป
ในโพสต์นี้ เรานำเสนอระบบอัตโนมัติที่ระบุสัตว์ใกล้สูญพันธุ์ บันทึกจำนวนประชากร และให้ข้อมูลเชิงลึกเกี่ยวกับความแปรปรวนของประชากรเมื่อเวลาผ่านไป คุณยังสามารถขยายวิธีแก้ปัญหาเพื่อแจ้งเตือนเจ้าหน้าที่เมื่อมีมนุษย์ (อาจเป็นนักล่า) อยู่ในบริเวณใกล้เคียงกับสัตว์ใกล้สูญพันธุ์เหล่านี้ ด้วยความสามารถ AI/ML ของ Amazon Rekognition เราจึงสามารถสนับสนุนความพยายามของกลุ่มอนุรักษ์เพื่อปกป้องสัตว์ใกล้สูญพันธุ์และระบบนิเวศของพวกมัน
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Rekognition Custom Labels โปรดดูที่ เริ่มต้นใช้งาน Amazon Rekognition Custom Labels และ การกลั่นกรองเนื้อหา. หากคุณเพิ่งเริ่มใช้ Rekognition Custom Labels คุณสามารถใช้ Free Tier ของเราได้ ซึ่งใช้เวลา 3 เดือน และรวม 10 ชั่วโมงการฝึกอบรมฟรีต่อเดือน และ 4 ชั่วโมงการอนุมานฟรีต่อเดือน Amazon Rekognition Free Tier รวมการประมวลผลภาพ 5,000 ภาพต่อเดือนเป็นเวลา 12 เดือน
เกี่ยวกับผู้เขียน
โจธี กูดาร์ เป็น Partner Solutions Architect Manager ที่ AWS เธอทำงานอย่างใกล้ชิดกับคู่ค้าผู้รวมระบบทั่วโลกเพื่อเปิดใช้งานและสนับสนุนลูกค้าในการย้ายปริมาณงานไปยัง AWS
เจ ราว เป็นสถาปนิกโซลูชั่นหลักที่ AWS เขาชอบที่จะให้คำแนะนำด้านเทคนิคและเชิงกลยุทธ์แก่ลูกค้า และช่วยพวกเขาในการออกแบบและนำโซลูชันไปใช้บน AWS
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- ความหมายของ Amazon
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- ระดับกลาง (200)
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล