Son on yılda, bilgisayarla görü kullanım durumları, özellikle sigorta, otomotiv, e-ticaret, enerji, perakende, imalat ve diğerleri gibi sektörlerde büyüyen bir trend olmuştur. Müşteriler, süreçlerine operasyonel verimlilik ve otomasyon getirmek için bilgisayarlı görü makine öğrenimi (ML) modelleri oluşturuyor. Bu tür modeller, resimlerin sınıflandırılmasını veya işinize özel ve benzersiz olan resimlerdeki ilgi çekici nesnelerin algılanmasını otomatikleştirmeye yardımcı olur.
ML model oluşturma sürecini basitleştirmek için, Amazon SageMaker Hızlı Başlangıç Aralık 2020'de. JumpStart, makine öğrenimine hızlı ve kolay bir şekilde başlamanıza yardımcı olur. Çok çeşitli önceden eğitilmiş modellerin tek tıkla devreye alınması ve ince ayarının yanı sıra çeşitli uçtan uca çözümler sunar. Bu, makine öğrenimi sürecinin her adımındaki ağır yükü ortadan kaldırarak yüksek kaliteli modeller geliştirmeyi kolaylaştırır ve devreye alma süresini kısaltır. Bununla birlikte, önceden eğitilmiş 200'den fazla bilgisayarlı görü modelinden oluşan bir katalogdan model seçiminde yardımcı olmak için bazı ön bilgilere sahip olmanız gerekir. Ardından, farklı hiperparametre ayarlarıyla model performansını karşılaştırmanız ve üretimde dağıtılacak en iyi modeli seçmeniz gerekir.
Bu deneyimi basitleştirmek ve makine öğrenimi uzmanlığı çok az olan veya hiç olmayan geliştiricilerin özel bilgisayarlı görü modelleri oluşturmasına olanak sağlamak için JumpStart içinde, Amazon Rekognition Özel Etiketleri, özel bilgisayarlı görü modelleri oluşturmak için tam olarak yönetilen bir hizmet. Tanıma Özel Etiketleri, önceden eğitilmiş modellerden oluşur. Amazon Rekognisyon, zaten birçok kategoride on milyonlarca görüntü üzerinde eğitilmiştir. Binlerce görüntü yerine, kullanım durumunuza özel küçük bir eğitim görüntüsü seti (birkaç yüz veya daha az) ile başlayabilirsiniz. Tanıma Özel Etiketleri, özel bir model oluşturmanın karmaşıklığını ortadan kaldırır. Eğitim verilerini otomatik olarak inceler, doğru ML algoritmalarını seçer, örnek türünü seçer, farklı hiperparametrelerle birden çok aday modeli eğitir ve en iyi eğitilmiş modeli verir. Rekognition Özel Etiketleri ayrıca, kullanımı kolay bir arayüz sağlar. AWS Yönetim Konsolu görüntüleri etiketleme, eğitim, bir model dağıtma ve test sonuçlarını görselleştirme dahil olmak üzere tüm makine öğrenimi iş akışı için.
Rekognition Özel Etiketleri kullanan JumpStart içindeki bu örnek not defteri, herhangi bir görüntü sınıflandırma veya nesne algılama bilgisayarlı görü ML görevini çözerek, aşina olan müşterilerin işini kolaylaştırır. Amazon Adaçayı Yapıcı kullanım durumunuza, gereksinimlerinize ve beceri setinize en uygun bilgisayar görüşü çözümü oluşturmak için.
Bu gönderide, bu örnek not defterini JumpStart'ta kullanmak için adım adım talimatlar sunuyoruz. Not defteri, bir görüntü sınıflandırma modeli, bir çok etiketli sınıflandırma modeli ve bir nesne algılama modeli oluşturmak için Rekognition Custom Labels mevcut eğitim ve çıkarım API'lerinin nasıl kolayca kullanılacağını gösterir. Başlamanızı kolaylaştırmak için her model için örnek veri kümeleri sağladık.
Tanıma Özel Etiketleri kullanarak bir bilgisayarlı görü modelini eğitin ve dağıtın
Bu bölümde, JumpStart'ta istenen not defterini buluyoruz ve konuşlandırılmış uç noktada çıkarımın nasıl eğitilip çalıştırılacağını gösteriyoruz.
Şundan başlayalım Amazon SageMaker Stüdyosu Başlatıcı.
- Studio Launcher'da şunu seçin: SageMaker JumpStart'a gidin.
JumpStart açılış sayfasında çözümler, metin modelleri ve görüntü modelleri için döner bölümler bulunur. Ayrıca bir arama çubuğu vardır. - Arama çubuğuna
Rekognition Custom Labels
ve seçiniz Vizyon için Tanıma Özel Etiketleri not defteri.
Not defteri salt okunur modda açılır. - Klinik Not Defterini İçe Aktar Not defterini ortamınıza aktarmak için.
Dizüstü bilgisayar, JumpStart konsolundan Rekognition Özel Etiketleri kullanarak çıkarım yapmak ve çalıştırmak için adım adım bir kılavuz sağlar. Tek ve çok etiketli görüntü sınıflandırmasını ve nesne algılamayı göstermek için aşağıdaki dört örnek veri kümesini sağlar.
-
- Tek etiketli görüntü sınıflandırması – Bu veri seti, görüntülerin önceden tanımlanmış bir dizi etiketten birine ait olarak nasıl sınıflandırılacağını gösterir. Örneğin, emlak şirketleri oturma odaları, arka bahçeler, yatak odaları ve diğer ev konumlarının görüntülerini sınıflandırmak için Rekognition Özel Etiketleri kullanabilir. Aşağıdaki, bu veri kümesinden, not defterinin bir parçası olarak dahil edilen örnek bir görüntüdür.
- Çok etiketli görüntü sınıflandırması – Bu veri kümesi, bir çiçeğin rengi, boyutu, dokusu ve türü gibi birden çok kategoride görüntülerin nasıl sınıflandırılacağını gösterir. Örneğin, bitki yetiştiricileri, farklı çiçek türlerini ve bunların sağlıklı, hasarlı veya enfekte olup olmadığını ayırt etmek için Özel Tanıma Etiketlerini kullanabilir. Aşağıdaki görüntü bu veri kümesinden bir örnektir.
- Nesne algılama – Bu veri seti, üretim veya üretim hatlarında kullanılan parçaların yerini belirlemek için nesne yerelleştirmesini gösterir. Örneğin, elektronik endüstrisinde, Rekognition Özel Etiketleri bir devre kartındaki kapasitörlerin sayısını saymaya yardımcı olabilir. Aşağıdaki görüntü bu veri kümesinden bir örnektir.
- Marka ve logo algılama – Bu veri seti, bir görüntüdeki logoları veya markaları bulmayı gösterir. Örneğin, medya endüstrisinde, bir nesne algılama modeli, fotoğraflardaki sponsor logolarının yerini belirlemeye yardımcı olabilir. Aşağıdaki, bu veri kümesinden örnek bir görüntüdür.
- Tek etiketli görüntü sınıflandırması – Bu veri seti, görüntülerin önceden tanımlanmış bir dizi etiketten birine ait olarak nasıl sınıflandırılacağını gösterir. Örneğin, emlak şirketleri oturma odaları, arka bahçeler, yatak odaları ve diğer ev konumlarının görüntülerini sınıflandırmak için Rekognition Özel Etiketleri kullanabilir. Aşağıdaki, bu veri kümesinden, not defterinin bir parçası olarak dahil edilen örnek bir görüntüdür.
- Her hücreyi çalıştırarak not defterindeki adımları izleyin.
Bu not defteri, Rekognition Özel etiket API'leri aracılığıyla hem görüntü sınıflandırmasını hem de nesne algılama kullanım durumlarını ele almak için tek bir not defterini nasıl kullanabileceğinizi gösterir.
Not defterinde ilerlerken, yukarıda bahsedilen örnek veri kümelerinden birini seçme seçeneğiniz vardır. Her veri kümesi için not defterini çalıştırmayı denemenizi öneririz.
Sonuç
Bu gönderide, bir görüntü sınıflandırması veya bir nesne algılama bilgisayarlı görme modeli oluşturmak için Rekognition Custom Labels API'lerinin nasıl kullanılacağını gösterdik. Bir modeli eğitmek için binlerce yerine onlarca yüzlerce etiketli görüntü sağlayarak başlayabilirsiniz. Tanıma Özel Etiketleri, makine türü, algoritma türü veya algoritmaya özgü hiper parametreler (ağdaki katman sayısı, öğrenme hızı ve toplu iş boyutu dahil) gibi parametre seçimlerini dikkate alarak model eğitimini basitleştirir. Tanıma Özel Etiketleri ayrıca eğitilmiş bir modelin barındırılmasını basitleştirir ve eğitilmiş bir modelle çıkarım yapmak için basit bir işlem sağlar.
Rekognition Custom Labels, eğitim süreci, model yönetimi ve veri kümesi görüntülerinin görselleştirilmesi için kullanımı kolay bir konsol deneyimi sağlar. hakkında daha fazla bilgi edinmenizi öneririz. Tanıma Özel Etiketleri ve işinize özel veri kümelerinizle deneyin.
Başlamak için, içindeki Rekognition Özel Etiketleri örnek not defterine gidebilirsiniz. Adaçayı Yapıcı Hızlı Başlangıç.
Yazarlar Hakkında
Peşmerge Mistry Amazon Rekognition Özel Etiketleri için Kıdemli Ürün Yöneticisidir. Pashmeen, iş dışında maceralı yürüyüşler yapmaktan, fotoğraf çekmekten ve ailesiyle vakit geçirmekten hoşlanır.
Abhishek Gupta AWS'de Kıdemli Yapay Zeka Hizmetleri Çözüm Mimarıdır. Müşterilerin bilgisayarlı görü çözümleri tasarlamasına ve uygulamasına yardımcı olur.
- Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
- KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- özetler
- karşısında
- adres
- AI
- AI hizmetleri
- algoritma
- algoritmalar
- zaten
- Amazon
- API'ler
- otomatikleştirmek
- Otomasyon
- otomotiv
- AWS
- kıyaslama
- İYİ
- yazı tahtası
- markalar
- inşa etmek
- bina
- inşa
- iş
- Alabilirsin
- aday
- hangi
- durumlarda
- choices
- Klinik
- sınıflandırma
- Şirketler
- bilgisayar
- konsolos
- yaratmak
- görenek
- Müşteriler
- veri
- onyıl
- göstermek
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- Dizayn
- Bulma
- geliştirmek
- geliştiriciler
- farklı
- kolayca
- kolay kullanımlı
- e-ticaret
- Elektronik
- teşvik etmek
- Son nokta
- enerji
- Keşfet
- çevre
- özellikle
- arazi
- örnek
- mevcut
- deneyim
- Uzmanlık
- aile
- takip etme
- Büyüyen
- rehberlik
- yardım et
- yardımcı olur
- Yüksek kaliteli
- hosting
- ev halkı
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTTPS
- Yüzlerce
- belirlemek
- görüntü
- uygulamak
- dahil
- Dahil olmak üzere
- Endüstri
- sanayi
- sigorta
- faiz
- arayüzey
- ilgili
- IT
- bilgi
- etiketleme
- Etiketler
- ÖĞRENİN
- öğrenme
- kaldırma
- küçük
- yaşayan
- yer
- yerleri
- logo
- makine
- makine öğrenme
- Yapımı
- yönetilen
- yönetim
- müdür
- üretim
- medya
- milyonlarca
- ML
- model
- modelleri
- Daha
- çoklu
- ihtiyaçlar
- ağ
- defter
- numara
- açılır
- operasyon
- seçenek
- Diğer
- Bölüm
- performans
- icra
- fotoğrafçılık
- süreç
- Süreçler
- PLATFORM
- üretim
- sağlamak
- sağlar
- sağlama
- hızla
- gayrimenkul
- azaltarak
- Yer Alan Kurallar
- gerektirir
- Sonuçlar
- perakende
- Odalar
- koşmak
- koşu
- Ara
- hizmet
- Hizmetler
- set
- Basit
- beden
- küçük
- çözüm
- Çözümler
- çözer
- biraz
- Harcama
- sponsor
- başlama
- başladı
- stüdyo
- alma
- test
- Binlerce
- zaman
- Eğitim
- trenler
- türleri
- benzersiz
- kullanım
- çeşitlilik
- vizyonumuz
- görüntüleme
- içinde
- İş