Amazon SageMaker Ground Truth Plus'ta birkaç tıklamayla segmentasyon maskesi etiketleme

Amazon SageMaker Temel Gerçek Artı makine öğrenimi (ML) uygulamaları için verileri etiketlemeyi kolaylaştıran, yönetilen bir veri etiketleme hizmetidir. Yaygın bir kullanım durumu, bir görüntüdeki tek tek piksellere sınıf etiketleri atamayı içeren bir bilgisayarla görme ML tekniği olan anlamsal bölümlendirmedir. Örneğin, hareket halindeki bir araç tarafından çekilen video karelerinde, sınıf etiketleri araçları, yayaları, yolları, trafik sinyallerini, binaları veya arka planları içerebilir. Görüntüdeki farklı nesnelerin konumlarının yüksek hassasiyetle anlaşılmasını sağlar ve genellikle otonom araçlar veya robotik için algılama sistemleri oluşturmak için kullanılır. Anlamsal segmentasyon için bir makine öğrenimi modeli oluşturmak için öncelikle büyük hacimli verileri piksel düzeyinde etiketlemek gerekir. Bu etiketleme işlemi karmaşıktır. Yetenekli etiketleyiciler ve ciddi zaman gerektirir; bazı görüntülerin doğru bir şekilde etiketlenmesi 2 saat veya daha uzun sürebilir!

2019 olarak, Zemin Gerçeği için Otomatik Segment adlı makine öğrenimi destekli etkileşimli bir etiketleme aracı yayınladık Bu, hızlı ve kolay bir şekilde yüksek kaliteli segmentasyon maskeleri oluşturmanıza olanak tanır. Daha fazla bilgi için bakınız Otomatik Segmentasyon Aracı. Bu özellik, bir nesne üzerinde üst, sol, alt ve en sağdaki "uç noktalara" tıklamanıza izin vererek çalışır. Arka planda çalışan bir makine öğrenimi modeli, bu kullanıcı girdisini alır ve Ground Truth etiketleme aracında hemen işlenen yüksek kaliteli bir segmentasyon maskesi döndürür. Ancak, bu özellik yalnızca dört tıklama yapmanıza izin verir. Belirli durumlarda, ML tarafından oluşturulan maske, kenarların belirsiz olduğu veya renk, doygunluk veya gölgelerin çevreye karıştığı nesne sınırı çevresinde olduğu gibi, görüntünün belirli kısımlarını istemeden kaçırabilir.

Esnek sayıda düzeltici tıklama ile aşırı nokta tıklaması

Artık aracı, makine öğrenimi modeline gerçek zamanlı geri bildirim sağlayan sınır noktalarında fazladan tıklamaya izin verecek şekilde geliştirdik. Bu, daha doğru bir segmentasyon maskesi oluşturmanıza olanak tanır. Aşağıdaki örnekte, gölgenin yakınındaki zayıf sınırlar nedeniyle ilk bölütleme sonucu doğru değil. Daha da önemlisi, bu araç gerçek zamanlı geri bildirim sağlayan bir modda çalışır; tüm noktaları bir kerede belirtmenizi gerektirmez. Bunun yerine, önce dört fare tıklaması yapabilirsiniz; bu, makine öğrenimi modelini bir segmentasyon maskesi üretmesi için tetikler. Daha sonra bu maskeyi inceleyebilir, olası yanlışlıkları bulabilir ve ardından modeli doğru sonuca "dürtmek" için uygun şekilde ek tıklamalar yapabilirsiniz.

Önceki etiketleme aracımız, tam olarak dört fare tıklaması (kırmızı noktalar) yerleştirmenize izin veriyordu. İlk segmentasyon sonucu (gölgeli kırmızı alan), gölgeye yakın (kırmızı maskenin sol alt kısmı) zayıf sınırlar nedeniyle doğru değil.

Gelişmiş etiketleme aracımızla, kullanıcı yine önce dört fare tıklaması yapar (üstteki şekilde kırmızı noktalar). Ardından, ortaya çıkan segmentasyon maskesini (üstteki şekilde gölgeli kırmızı alan) inceleme fırsatınız olur. Modelin maskeyi iyileştirmesine (alttaki şekilde gölgeli kırmızı alan) neden olmak için ek fare tıklamaları (alttaki şekilde yeşil noktalar) yapabilirsiniz.

Aracın orijinal sürümüyle karşılaştırıldığında, geliştirilmiş sürüm, nesneler deforme olduğunda, dışbükey olmadığında ve şekil ve görünüm bakımından farklılık gösterdiğinde daha iyi bir sonuç sağlar.

Bir segmentasyon maskesi oluşturmak için temel aracı çalıştırarak (yalnızca dört aşırı tıklama ile) bu iyileştirilmiş aracın örnek veriler üzerindeki performansını simüle ettik ve segmentasyon maskeleri için ortak bir doğruluk ölçüsü olan ortalama Birlik Üzerinden Kesişme'yi (mIoU) değerlendirdik. Ardından, simüle edilmiş düzeltici tıklamalar uyguladık ve her simüle edilmiş tıklamadan sonra mIoU cinsinden iyileştirmeyi değerlendirdik. Aşağıdaki tablo bu sonuçları özetlemektedir. İlk satır mIoU'yu gösterir ve ikinci satır hatayı gösterir (%100 eksi mIoU ile verilir). Yalnızca beş ek fare tıklamasıyla bu görev için hatayı %9 azaltabiliriz!

.	.	Düzeltici Tıklama Sayısı	.
.	Temel	1	2	3	4	5
MIoU	72.72	76.56	77.62	78.89	80.57	81.73
Hata	%27	%23	%22	%21	%19	%18

Ground Truth ile entegrasyon ve performans profili oluşturma

Bu modeli Ground Truth ile entegre etmek için aşağıdaki şemada gösterildiği gibi standart bir mimari modeli izliyoruz. İlk olarak, makine öğrenimi modelini bir Docker görüntüsünde oluşturuyoruz ve Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR), kapsayıcı görüntülerini depolamayı, paylaşmayı ve dağıtmayı kolaylaştıran, tam olarak yönetilen bir Docker kapsayıcı kayıt defteri. Kullanmak SageMaker Çıkarım Araç Seti Docker görüntüsünü oluştururken, model sunma için en iyi uygulamaları kolayca kullanmamıza ve düşük gecikmeli çıkarım elde etmemize olanak tanır. Daha sonra bir Amazon Adaçayı Yapıcı modeli barındırmak için gerçek zamanlı uç nokta. tanıtıyoruz AWS Lambda çeşitli veri dönüştürme türleri sunmak için SageMaker uç noktasının önünde bir proxy işlevi görür. Son olarak, kullanıyoruz Amazon API Ağ Geçidi arka ucumuza güvenli kimlik doğrulaması sağlamak için ön ucumuz olan Ground Truth etiketleme uygulamasıyla entegre etmenin bir yolu olarak.

Amaca yönelik ML araçları için kendi kullanım durumlarınız için ve bunları özel Ground Truth görev kullanıcı arayüzleriyle entegre etmek için bu genel modeli takip edebilirsiniz. Daha fazla bilgi için bkz. Amazon SageMaker Ground Truth ile özel bir veri etiketleme iş akışı oluşturun.

Bu mimariyi sağladıktan ve modelimizi kullanarak dağıttıktan sonra AWS Bulut Geliştirme Kiti (AWS CDK), modelimizin gecikme özelliklerini farklı SageMaker bulut sunucusu türleri ile değerlendirdik. Bunu yapmak çok basit çünkü modelimize hizmet etmek için SageMaker gerçek zamanlı çıkarım uç noktalarını kullanıyoruz. SageMaker gerçek zamanlı çıkarım uç noktaları, Amazon Bulut İzleme ve gerekli kurulum olmadan bellek kullanımı ve model gecikmesi gibi ölçümleri yayınlar (bkz. SageMaker Endpoint Çağırma Metrikleri daha fazla ayrıntı için).

Aşağıdaki şekilde, SageMaker gerçek zamanlı çıkarım uç noktaları tarafından yerel olarak yayılan ModelLatency metriğini gösteriyoruz. CloudWatch'ta p50 veya p90 gecikmesi gibi gecikme yüzdeliklerini göstermek için çeşitli metrik matematik işlevlerini kolayca kullanabiliriz.

Aşağıdaki tablo, üç bulut sunucusu türü için semantik segmentasyona yönelik gelişmiş aşırı tıklama aracımız için bu sonuçları özetlemektedir: p2.xlarge, p3.2xlarge ve g4dn.xlarge. p3.2xlarge bulut sunucusu en düşük gecikmeyi sağlasa da, g4dn.xlarge bulut sunucusu en iyi maliyet-performans oranını sağlar. g4dn.xlarge bulut sunucusu, p8xlarge bulut sunucusundan yalnızca %35 daha yavaştır (3.2 milisaniye), ancak p81xlarge bulut sunucusundan saatlik olarak %3.2 daha ucuzdur (bkz. Amazon SageMaker Fiyatlandırması SageMaker bulut sunucusu türleri ve fiyatlandırma hakkında daha fazla ayrıntı için).

	SageMaker Bulut Sunucusu Türü	p90 Gecikme (ms)
1	p2.xlarge	751
2	s3.2xlarge	424
3	g4dn.xlarge	459

Sonuç

Bu gönderide, semantik bölümleme ek açıklama görevleri için Ground Truth otomatik segment özelliğinin bir uzantısını tanıttık. Aracın orijinal sürümü, yüksek kaliteli bir segmentasyon maskesi sağlamak için bir modeli tetikleyen tam olarak dört fare tıklaması yapmanıza izin verirken, uzantı, düzeltici tıklamalar yapmanızı ve böylece daha iyi tahminler yapmak için ML modelini güncellemenizi ve yönlendirmenizi sağlar. Etkileşimli araçları Yer Gerçeği etiketleme UI'lerine dağıtmak ve entegre etmek için kullanabileceğiniz temel bir mimari model de sunduk. Son olarak, model gecikmesini özetledik ve SageMaker gerçek zamanlı çıkarım uç noktalarının kullanımının model performansını izlemeyi nasıl kolaylaştırdığını gösterdik.

Bu aracın etiketleme maliyetini nasıl azaltabileceği ve doğruluğu nasıl artırabileceği hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: Amazon SageMaker Veri Etiketleme bugün bir istişare başlatmak için.

---

yazarlar hakkında

Jonathan Buck Amazon Web Services'ta makine öğrenimi ve dağıtık sistemlerin kesiştiği noktada çalışan bir Yazılım Mühendisidir. İşi, makine öğrenimi modellerini üretmeyi ve en son yetenekleri müşterilere sunmak için makine öğrenimiyle desteklenen yeni yazılım uygulamaları geliştirmeyi içeriyor.

li erran li humain-in-the-loop hizmetlerinde, AWS AI, Amazon'da uygulamalı bilim yöneticisidir. Araştırma ilgi alanları, 3D derin öğrenme ve vizyon ve dil temsili öğrenmedir. Daha önce Alexa AI'da kıdemli bilim insanı, Scale AI'da makine öğrenimi başkanı ve Pony.ai'de baş bilim insanıydı. Bundan önce, otonom sürüş için makine öğrenimi, makine öğrenimi sistemleri ve yapay zekanın stratejik girişimleri üzerinde çalışan Uber ATG'deki algı ekibi ve Uber'deki makine öğrenimi platformu ekibiyle birlikteydi. Kariyerine Bell Laboratuarlarında başladı ve Columbia Üniversitesi'nde yardımcı profesördü. ICML'17 ve ICCV'19'da ortak eğitimler verdi ve NeurIPS, ICML, CVPR, ICCV'de otonom sürüş için makine öğrenimi, 3D görüş ve robotik, makine öğrenimi sistemleri ve çekişmeli makine öğrenimi üzerine birkaç çalıştayın eş düzenleyicisi oldu. Cornell Üniversitesi'nde bilgisayar bilimi alanında doktorası var. Kendisi bir ACM Üyesi ve IEEE Üyesidir.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/few-click-segmentation-mask-labeling-in-amazon-sagemaker-ground-truth-plus/