Amazon Rekognition Özel Etiketleri ile yer işaretlerini belirleme

Amazon Rekognisyon makine öğrenimi (ML) uzmanlığı gerektirmeyen kanıtlanmış, yüksek düzeyde ölçeklenebilir, derin öğrenme teknolojisini kullanarak uygulamalarınıza görüntü ve video analizi eklemeyi basitleştiren bir bilgisayarla görme hizmetidir. Amazon Rekognition ile resimlerdeki ve videolardaki nesneleri, kişileri, metinleri, sahneleri ve etkinlikleri tanımlayabilir ve uygunsuz içeriği tespit edebilirsiniz. Amazon Rekognition ayrıca çok çeşitli kullanım durumları için yüzleri algılamak, analiz etmek ve karşılaştırmak için kullanabileceğiniz yüksek doğrulukta yüz analizi ve yüz arama özellikleri sağlar.

Amazon Rekognition Özel Etiketleri Amazon Rekognition'ın, özel kullanım durumunuza entegre olan benzersiz nesneleri ve sahneleri algılamak için kendi özel makine öğrenimi tabanlı görüntü analizi yeteneklerinizi oluşturmanızı kolaylaştıran bir özelliğidir.

Rekognition Özel Etiketlerinin bazı yaygın kullanım örnekleri arasında sosyal medya gönderilerinde logonuzu bulma, ürünlerinizi mağaza raflarında tanımlama, bir montaj hattındaki makine parçalarını sınıflandırma, sağlıklı ve hastalıklı bitkiler arasında ayrım yapma ve daha fazlası yer alır.

Amazon Tanıma Etiketleri Brooklyn Köprüsü, Kolezyum, Eyfel Kulesi, Machu Picchu, Tac Mahal gibi popüler yerleri destekler, ve dahası. Henüz Amazon Rekognition tarafından desteklenmeyen başka yer işaretleriniz veya binalarınız varsa Amazon Rekognition Özel Etiketlerini kullanmaya devam edebilirsiniz.

Bu gönderide, Seattle'daki Amazon Spheres binasını algılamak için Rekognition Özel Etiketleri kullanmayı gösteriyoruz.

Rekognition Özel Etiketleri ile AWS, ağır işleri sizin için halleder. Rekognition Özel Etiketleri, halihazırda pek çok kategoride on milyonlarca görüntü üzerinde eğitilmiş olan Amazon Rekognition'ın mevcut yeteneklerini temel alır. Basit konsolumuz aracılığıyla binlerce görüntü yerine, kullanım durumunuza özel küçük bir dizi eğitim görüntüsü (genellikle birkaç yüz veya daha az) yüklemeniz yeterlidir. Amazon Rekognition, yalnızca birkaç tıklamayla eğitime başlayabilir. Amazon Rekognition, görüntü kümenizden eğitime başladıktan sonra birkaç dakika veya saat içinde sizin için özel bir görüntü analizi modeli üretebilir. Rekognition Özel Etiketleri perde arkasında eğitim verilerini otomatik olarak yükler ve denetler, uygun makine öğrenimi algoritmalarını seçer, bir model eğitir ve model performans ölçümleri sağlar. Daha sonra Rekognition Custom Labels API aracılığıyla özel modelinizi kullanabilir ve uygulamalarınıza entegre edebilirsiniz.

Çözüme genel bakış

Örneğimiz için, Amazon Küreleri Seattle'da bina. Tanıma Özel Etiketleri kullanarak bir model eğitiyoruz; benzer görüntüler kullanıldığında, algoritma bunu şu şekilde tanımlamalıdır: Amazon Spheres yerine Dome, Architecture, Glass buildingveya diğer etiketler.

Öncelikle Amazon Rekognition'ın etiket algılama özelliğinin kullanımına ilişkin bir örnek gösterelim, burada herhangi bir özel eğitim almadan Amazon Spheres'in görüntüsünü besliyoruz. Etiket algılama demosunu açmak ve fotoğrafımızı yüklemek için Amazon Rekognition konsolunu kullanıyoruz.

Resim yüklenip analiz edildikten sonra, altında güven puanları olan etiketleri görüyoruz. Sonuçlar . Bu durumda, Dome %99.2 güven skoru ile tespit edildi, Architecture % 99.2 ile, Building % 99.2 ile, Metropolis %79.4 ile vb.

Görüntüyü etiketleyebilen bir bilgisayar görme modeli üretmek için özel etiketleme kullanmak istiyoruz. Amazon Spheres.

Aşağıdaki bölümlerde, veri kümenizi hazırlama, Rekognition Özel Etiketler projesi oluşturma, modeli eğitme, sonuçları değerlendirme ve ek görüntülerle test etme adımlarında size rehberlik edeceğiz.

Önkoşullar

Adımlara başlamadan önce, kotaları Bilmeniz gereken Tanıma Özel Etiketleri için. Limitleri değiştirmek isterseniz, talepte bulunabilirsiniz. hizmet limiti artışı.

Veri kümenizi oluşturun

Rekognition Özel Etiketlerini ilk kez kullanıyorsanız, bir etiket oluşturmanız istenecektir. Amazon Basit Depolama Hizmeti (Amazon S3) veri kümenizi depolamak için klasör.

Bu blog gösterimi için, Seattle, WA'yı ziyaretimiz sırasında yakaladığımız Amazon Kürelerinin resimlerini kullandık. İhtiyacınıza göre kendi resimlerinizi kullanmaktan çekinmeyin.

Veri kümenizi, resimlerinizi ilgili öneklerinde depolayan yeni oluşturulan klasöre kopyalayın.

Proje oluştur

Rekognition Özel Etiketleri projenizi oluşturmak için aşağıdaki adımları tamamlayın:

1. Tanıma Özel Etiketler konsolunda, Proje oluştur.
2. İçin Proje adı, isim girin.
3. Klinik proje oluşturma.
   
   Şimdi, eğitim ve test veri kümenizin yapılandırmasını ve yolunu belirliyoruz.
4. Klinik Veri kümesi oluşturun.
   

Tek bir veri kümesine sahip bir projeyle veya ayrı eğitim ve test veri kümelerine sahip bir projeyle başlayabilirsiniz. Tek bir veri kümesiyle başlarsanız Rekognition Custom Labels, projeniz için bir eğitim veri kümesi (%80) ve bir test veri kümesi (%20) oluşturmak üzere eğitim sırasında veri kümenizi böler.

Ek olarak, aşağıdaki konumlardan birinden görüntüleri içe aktararak bir proje için eğitim ve test veri kümeleri oluşturabilirsiniz:

Bu gönderi için kendi özel Amazon Spheres veri kümemizi kullanıyoruz.

1. seç Tek bir veri kümesiyle başlayın.
2. seç S3 klasöründen görüntüleri içe aktarın.
   
3. İçin S3 URI'sı, S3 klasörünüze giden yolu girin.
4. Rekognition Özel Etiketlerinin S3 grubunuzdaki klasör adlarına göre görüntüleri sizin için otomatik olarak etiketlemesini istiyorsanız, Klasör adına göre görüntülere otomatik olarak görüntü düzeyinde etiketler atayın.
   
5. Klinik Veri kümesi oluşturun.

Resimleri etiketleriyle birlikte gösteren bir sayfa açılır. Etiketlerde herhangi bir hata görürseniz, bkz. Veri kümelerinde hata ayıklama.

Modeli eğitin

Veri kümenizi inceledikten sonra artık modeli eğitebilirsiniz.

1. Klinik tren modeli.
2. İçin Proje seçin, listelenmemişse projeniz için ARN'yi girin.
3. Klinik Modeli eğit.

içinde Modeller Proje sayfasının bölümünde mevcut durumu kontrol edebilirsiniz. model durumu eğitimin devam ettiği sütun. Eğitim setindeki görüntü sayısı ve etiket sayısı ve modelinizi eğitmek için kullanılan makine öğrenimi algoritması türleri gibi çeşitli faktörlere bağlı olarak, eğitim süresinin tamamlanması genellikle 30 dakika ile 24 saat arasında sürer.

Model eğitimi tamamlandığında, model durumunu şu şekilde görebilirsiniz: TRAINING_COMPLETED. Eğitim başarısız olursa, bkz. Başarısız bir model eğitiminde hata ayıklama.

Modeli değerlendirin

Model ayrıntıları sayfasını açın. bu Değerlendirme sekmesi, her bir etiket için metrikleri ve test veri setinin tamamı için ortalama metriği gösterir.

Rekognition Özel Etiketler konsolu, eğitim sonuçlarının bir özeti ve her bir etiket için metrikler olarak aşağıdaki metrikleri sağlar:

Aşağıdaki ekran görüntüsünde gösterildiği gibi, tek tek görüntüler için eğitilmiş modelinizin sonuçlarını görüntüleyebilirsiniz.

Modeli test edin

Artık değerlendirme sonuçlarını gördüğümüze göre, modeli başlatmaya ve yeni görüntüleri analiz etmeye hazırız.

Modeli şu adresten başlatabilirsiniz: Modeli kullan Tanıma Özel Etiketler konsolundaki sekmesinde veya Proje Versiyonunu Başlat üzerinden operasyon AWS Komut Satırı Arayüzü (AWS CLI) veya Python SDK.

Model çalışırken, yeni görüntüleri kullanarak analiz edebiliriz. Özel Etiketleri Algıla API. sonucu DetectCustomLabels görüntünün belirli nesneleri, sahneleri veya kavramları içerdiğine dair bir tahmindir. Aşağıdaki koda bakın:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

Çıktıda, etiketi güven puanıyla birlikte görebilirsiniz:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

Sonuçtan da görebileceğiniz gibi, yalnızca birkaç basit tıklama ile doğru etiketleme sonuçları elde etmek için Rekognition Özel Etiketleri kullanabilirsiniz. Bunu, gıda ürünleri, evcil hayvanlar, makine parçaları ve daha fazlası için özel etiketleme tanımlama gibi çok sayıda görsel kullanım durumu için kullanabilirsiniz.

Temizlemek

Bu gönderinin bir parçası olarak oluşturduğunuz kaynakları temizlemek ve olası yinelenen maliyetlerden kaçınmak için aşağıdaki adımları tamamlayın:

1. Üzerinde Modeli kullan sekmesi, modeli durdur.
   Alternatif olarak, modeli kullanarak durdurabilirsiniz. Proje Sürümünü Durdur AWS CLI veya Python SDK aracılığıyla işlem. Modelin Stopped Sonraki adımlara geçmeden önce durumu belirtin.
2. Modeli sil.
3. projeyi sil.
4. Veri kümesini sil.
5. boş S3 kova içerikleri ve silmek Kova.

Sonuç

Bu gönderide, bina görüntülerini algılamak için Tanıma Özel Etiketlerinin nasıl kullanılacağını gösterdik.

Özel görüntü veri kümelerinizle başlayabilir ve Rekognition Özel Etiketler konsolunda birkaç basit tıklamayla modelinizi eğitebilir ve görüntülerdeki nesneleri algılayabilirsiniz. Tanıma Özel Etiketleri, verileri otomatik olarak yükleyip inceleyebilir, doğru makine öğrenimi algoritmalarını seçebilir, bir model eğitebilir ve model performans ölçümleri sağlayabilir. Kesinlik, hatırlama, F1 puanları ve güven puanları gibi ayrıntılı performans ölçümlerini inceleyebilirsiniz.

Artık New York City'deki Empire State Building, Hindistan'daki Taj Mahal ve dünyanın dört bir yanındaki diğer pek çok bina gibi popüler binaları önceden etiketlenmiş ve uygulamalarınızda zeka için kullanıma hazır olarak tanımlayabildiğimiz gün geldi. Ancak henüz Amazon Tanıma Etiketleri tarafından desteklenmeyen başka yer işaretleriniz varsa, başka yere bakmayın ve Amazon Tanıma Özel Etiketlerini deneyin.

Özel etiketleri kullanma hakkında daha fazla bilgi için bkz. Amazon Rekognition Custom Labels Nedir? Ayrıca, ziyaret edin GitHub repo Amazon Rekognition özel marka tespitinin uçtan uca iş akışı için.

Yazarlar hakkında:

suresh patnam AWS'de Baş BDM – GTM AI/ML Lideridir. BT stratejisi oluşturmak için müşterilerle birlikte çalışarak Veri ve Yapay Zeka/ML'den yararlanarak bulut aracılığıyla dijital dönüşümü daha erişilebilir hale getiriyor. Suresh boş zamanlarında tenis oynamaktan ve ailesiyle vakit geçirmekten hoşlanır.

Tavşan Kaushik AWS'de bir Çözüm Mimarıdır. AWS'de AI/ML çözümleri oluşturma ve müşterilerin AWS platformunda yenilik yapmasına yardımcı olma konusunda tutkulu. İş dışında yürüyüş yapmaktan, tırmanmaktan ve yüzmekten hoşlanıyor.