Amazon Rekognition Custom Labels ile toplu görüntü işleme 

Amazon Rekognisyon kullanımı için hiçbir makine öğrenimi (ML) uzmanlığı gerektirmeyen, kanıtlanmış, yüksek oranda ölçeklenebilir, derin öğrenme teknolojisini kullanarak uygulamalarınıza görüntü ve video analizi eklemeyi kolaylaştıran bir bilgisayarla görme hizmetidir. Amazon Rekognition ile resimler ve videolardaki nesneleri, kişileri, metinleri, sahneleri ve etkinlikleri belirleyebilir, ayrıca uygunsuz içerikleri tespit edebilirsiniz. Amazon Rekognition ayrıca çok çeşitli kullanım örnekleri için yüzleri algılamak, analiz etmek ve karşılaştırmak için kullanabileceğiniz son derece doğru yüz analizi ve yüz arama yetenekleri sağlar.

Amazon Rekognition Özel Etiketleri iş gereksinimlerinize özel görüntülerdeki nesneleri ve sahneleri tanımlamanıza olanak tanır. Örneğin, logonuzu sosyal medya gönderilerinde bulabilir, ürünlerinizi mağaza raflarında tanımlayabilir, bir montaj hattındaki makine parçalarını sınıflandırabilir, sağlıklı ve enfekte olmuş bitkileri ayırt edebilir ve daha fazlasını yapabilirsiniz. Blog yazısı Kendi marka tespitinizi oluşturma görüntüler ve videolardaki marka logolarını tespit etmek için uçtan uca bir çözüm oluşturmak için Amazon Rekognition Custom Labels'ın nasıl kullanılacağını gösterir.

Amazon Rekognition Custom Labels, bir veri kümesini etiketleyerek başladığınız basit bir uçtan uca deneyim sağlar ve Amazon Rekognition Custom Labels, verileri inceleyip doğru makine öğrenimi algoritmasını seçerek sizin için özel bir makine öğrenimi modeli oluşturur. Modeliniz eğitildikten sonra, hemen görüntü analizi için kullanmaya başlayabilirsiniz. Görüntüleri gruplar halinde işlemek istiyorsanız (örneğin, günde veya haftada bir veya gün içinde planlanan zamanlarda), özel modelinizi planlanan zamanlarda tedarik edebilirsiniz.

Bu yazıda, Amazon Rekognition Custom Labels ile özel modelinizi planlanan zamanlarda sağlayan, tüm görüntülerinizi işleyen ve ek maliyete neden olmamak için kaynaklarınızın temel hazırlığını yapan Amazon Rekognition Custom Labels ile nasıl uygun maliyetli bir toplu çözüm oluşturabileceğinizi göstereceğiz.

Çözüme genel bakış

Aşağıdaki mimari şeması, Amazon Rekognition Custom Labels ile görüntüleri toplu halde işlemek için uygun maliyetli ve yüksek düzeyde ölçeklenebilir bir iş akışını nasıl tasarlayabileceğinizi gösterir. Aşağıdakiler gibi AWS hizmetlerinden yararlanır: Amazon EventBridge, AWS Basamak İşlevleri, Amazon Basit Kuyruk Hizmeti (Amazon SQS), AWS Lambda, ve Amazon Basit Depolama Hizmeti (Amazon S3).

Bu çözüm, sunucusuz bir mimari ve yönetilen hizmetler kullanır, böylece talep üzerine ölçeklenebilir ve herhangi bir sunucunun sağlanması ve yönetilmesi gerekmez. Amazon SQS kuyruğu, görüntü alımını görüntü işlemeden ayırarak ve alınan her görüntü için iletilerin güvenilir bir şekilde teslim edilmesini sağlayarak çözümün genel hata toleransını artırır. Step Functions, Amazon Rekognition Custom Labels projesinin durum yaşam döngüsünü işlemek ve yönetmek için bir görüntünün olup olmadığını kontrol etmek gibi bir dizi bağımsız görevi düzenlemek için görsel iş akışları oluşturmayı kolaylaştırır. Aşağıdaki mimari, AWS Lambda'yı kullanarak Amazon Rekognition Özel Etiketleri için bir toplu işleme çözümünü nasıl oluşturabileceğinizi gösterse de, aşağıdaki gibi hizmetleri kullanarak benzer bir mimari oluşturabilirsiniz. AWS Fargate.

Aşağıdaki adımlar genel iş akışını açıklamaktadır:

1. Bir görüntü Amazon S3 klasöründe depolandıkça, Amazon SQS kuyruğunda depolanan bir mesajı tetikler.
2. Amazon EventBridge, belirli bir sıklıkta (varsayılan olarak 1 saat) AWS Step Functions iş akışını tetikleyecek şekilde yapılandırılmıştır.
3. İş akışı çalışırken aşağıdaki eylemleri gerçekleştirir:
   1. Amazon SQS kuyruğundaki öğe sayısını kontrol eder. Kuyrukta işlenecek öğe yoksa iş akışı sona erer.
   2. Kuyrukta işlenecek öğeler varsa iş akışı Amazon Rekognition Custom Labels modelini başlatır.
   3. İş akışı, bu görüntüleri işlemek için bir AWS Lambda işleviyle Amazon SQS entegrasyonuna olanak tanır.
4. Amazon SQS kuyruğu ile AWS Lambda arasındaki entegrasyon etkinleştirildiğinde aşağıdaki olaylar gerçekleşir:
   1. AWS Lambda, mesajları Amazon SQS'deki görüntü ayrıntılarıyla işlemeye başlar.
   2. AWS Lambda işlevi, görüntüleri işlemek için Amazon Rekognition Custom Labels projesini kullanır.
   3. AWS Lambda işlevi daha sonra çıkarsanan etiketleri içeren JSON dosyasını son pakete yerleştirir. Görüntü ayrıca kaynak paketten son pakete taşınır.
5. Tüm görüntüler işlendiğinde AWS Step Functions iş akışı şunları yapar:
   1. Amazon Rekognition Custom Labels modelini durdurur.
   2. Tetikleyiciyi devre dışı bırakarak Amazon SQS kuyruğu ile AWS Lambda işlevi arasındaki entegrasyonu devre dışı bırakır.

Aşağıdaki diyagram, bu çözüme yönelik AWS Step Functions durum makinesini göstermektedir.

Önkoşullar

Bu çözümü dağıtmak için aşağıdaki ön koşullara ihtiyacınız vardır:

• Çözümü kullanarak dağıtma iznine sahip bir AWS hesabı AWS CloudFormationoluşturan AWS Kimlik ve Erişim Yönetimi (IAM) rolleri ve diğer kaynaklar.
•  Amazon Rekognition Custom Labels projesinin Amazon Kaynak Adı (ARN) ( ProjeArn) ve modelin eğitiminden sonra oluşturulan model sürümünün Amazon Kaynak Adı (ARN) ( Proje SürümüArn). Bu değerler, modelin durumunu kontrol etmek ve ayrıca modeli kullanarak görüntüleri analiz etmek için gereklidir.

Bir modeli nasıl eğiteceğinizi öğrenmek için bkz. Amazon Rekognition Custom Labels'a Başlarken.

açılma

Çözümü AWS hesabınızda AWS CloudFormation kullanarak dağıtmak için aşağıdaki adımları izleyin: GitHub repo. Aşağıdaki kaynakları oluşturur:

• Amazon S3 demeti
• Amazon SQS kuyruğu
• AWS Step Functions iş akışı
• İş akışını tetiklemek için Amazon EventBridge kuralları
• IAM rolleri
• AWS Lambda İşlevleri

Çözüm tarafından oluşturulan farklı kaynakların adlarını, çıktı bölümünde görebilirsiniz. CloudFormation yığını.

İş akışını test etme

İş akışınızı test etmek için aşağıdaki adımları tamamlayın:

1. Çözüm tarafından oluşturulan giriş S3 klasörüne örnek görüntüler yükleyin (örneğin, xxxx-sources3bucket-xxxx).
2. Step Functions konsolunda, çözüm tarafından oluşturulan durum makinesini seçin (örneğin, CustomCVStateMachine-xxxx).

Durum makinesinin her saat başı Amazon EventBridge kuralı tarafından tetiklendiğini görmelisiniz.

3. İş akışını seçerek manuel olarak başlatabilirsiniz. Yürütmeyi başlat.
4. Görüntüler işlenirken, her bir görüntü için JSON çıktısını görmek için çıkış S3 klasörüne (örneğin, xxxx-finals3bucket-xxxx) gidebilirsiniz.

Aşağıdaki ekran görüntüsü, Amazon Rekognition Custom Labels'daki ilgili JSON çıktılarıyla birlikte görüntülerle birlikte son S3 klasörünün içeriğini gösterir.

Sonuç

Bu yazıda, Amazon Rekognition Custom Labels ile özel modelinizi planlanan zamanlarda tedarik edebilecek, tüm görüntülerinizi işleyebilecek ve ek maliyete neden olmamak için kaynaklarınızın temel hazırlığını kaldırabilecek uygun maliyetli bir toplu çözümü nasıl oluşturabileceğinizi gösterdik. Kullanım durumunuza bağlı olarak, çözümün toplu işi işlemesi gereken planlanan zaman penceresini kolayca ayarlayabilirsiniz. Görüntülerdeki nesneleri, sahneleri ve kavramları algılayan bir modelin nasıl oluşturulacağı, eğitileceği, değerlendirileceği ve kullanılacağı hakkında daha fazla bilgi için bkz. Amazon Rekognition Custom Labels'ı kullanmaya başlama.

Bu yayında açıklanan çözüm, Amazon Rekognition Custom Labels ile toplu görüntüleri nasıl işleyebileceğinizi gösterirken, toplu görüntüleri işlemek için çözümü kolayca değiştirebilirsiniz. Amazon Vision for Vision kusur ve anormallik tespiti için. Amazon Lookout for Vision ile üretim şirketleri, nesnelerin görüntülerindeki farklılıkları ölçekli olarak hızla belirleyerek kaliteyi artırabilir ve operasyonel maliyetleri düşürebilir. Örneğin Amazon Lookout for Vision, ürünlerdeki eksik bileşenleri, araçlarda veya yapılarda meydana gelen hasarları, üretim hatlarındaki düzensizlikleri, silikon plakalardaki küçük kusurları ve diğer benzer sorunları tespit etmek için kullanılabilir. Amazon Lookout for Vision hakkında daha fazla bilgi edinmek için bkz. geliştirici kılavuzu.

---

Yazarlar Hakkında

Rahul Srivastava Amazon Web Services'da Kıdemli Çözüm Mimarıdır ve merkezi Birleşik Krallık'ta bulunmaktadır. Büyük kurumsal müşterilerle çalışırken kapsamlı mimari deneyimine sahiptir. Müşterilerimize mimari, bulutu benimseme, bir amaca yönelik ürünler geliştirme ve gerçek dünyadaki iş sorunlarını çözmek için AI / ML'den yararlanma konularında yardımcı oluyor.

Kashif İmran Amazon Web Services'te Baş Çözüm Mimarıdır. Karmaşık iş sorunlarını çözmek için AI / ML'den yararlanan en büyük AWS müşterilerinden bazılarıyla çalışıyor. Bilgisayarla görme uygulamalarını geniş ölçekte uygulamak için teknik rehberlik ve tasarım tavsiyesi sağlar. Uzmanlığı, uygulama mimarisi, sunucusuz, konteynerler, NoSQL ve makine öğrenimini kapsar.

Kaynak: https://aws.amazon.com/blogs/machine-learning/batch-image-processing-with-amazon-rekognition-custom-labels/