Tarım sektöründe ağaçlardaki meyve miktarının belirlenmesi ve sayılması sorunu, ürün tahmininde önemli rol oynamaktadır. Ağaç sahibinin, tahmini meyve verimine göre her yıl hasattan önce ağacı kiraladığı ağaç kiralama ve leasing kavramı popüler hale geliyor. Meyveleri manuel olarak saymanın yaygın uygulaması, zaman alıcı ve emek yoğun bir süreçtir. Mahsul yönetim sisteminizde daha iyi sonuçlar elde etmek için en zor ama en önemli görevlerden biridir. Meyve ve çiçek miktarına ilişkin bu tahmin, çiftçilerin yalnızca kiralama fiyatları konusunda değil, aynı zamanda yetiştirme uygulamaları ve bitki hastalıklarının önlenmesi konusunda da daha iyi kararlar almasına yardımcı olur.
Bilgisayarlı görme (CV) için otomatik makine öğrenimi (ML) çözümünün çiftçilere yardımcı olabileceği yer burasıdır. Amazon Rekognition Özel Etiketleri geliştiricilerin, işinize özel ve benzersiz olan görüntülerdeki nesneleri sınıflandırmak ve tanımlamak için özel modeller oluşturmasına olanak tanıyan, tam olarak yönetilen bir bilgisayarla görme hizmetidir.
Tanıma Özel Etiketleri, önceden herhangi bir bilgisayarlı görme uzmanlığına sahip olmanızı gerektirmez. Binlerce resim yerine onlarca resim yükleyerek başlayabilirsiniz. Görüntüler zaten etiketlenmişse, sadece birkaç tıklamayla bir modeli eğitmeye başlayabilirsiniz. Değilse, bunları doğrudan Rekognition Özel Etiketler konsolunda etiketleyebilir veya Amazon SageMaker Yer Gerçeği onları etiketlemek için. Tanıma Özel Etiketleri, eğitim verilerini otomatik olarak incelemek, doğru model çerçevesini ve algoritmayı seçmek, hiper parametreleri optimize etmek ve modeli eğitmek için aktarım öğrenimini kullanır. Model doğruluğundan memnun kaldığınızda, yalnızca tek bir tıklama ile eğitilmiş modeli barındırmaya başlayabilirsiniz.
Bu yazıda, tarımsal verimi ölçmek amacıyla meyveyi tespit etmek ve saymak için Rekognition Özel Etiketleri kullanarak nasıl uçtan uca bir çözüm oluşturabileceğinizi gösteriyoruz.
Çözüme genel bakış
Aşağıdaki adımları kullanarak meyveyi tespit etmek için özel bir model oluşturuyoruz:
- Bir veri kümesini meyve içeren görsellerle etiketleyin. Amazon SageMaker Yer Gerçeği.
- Rekognition Özel Etiketler'de bir proje oluşturun.
- Etiketli veri kümenizi içe aktarın.
- Modeli eğitin.
- Otomatik olarak oluşturulan API uç noktasını kullanarak yeni özel modeli test edin.
Rekognition Custom Labels, Amazon Rekognition konsolunda ML modeli eğitim sürecini yönetmenize olanak tanıyarak uçtan uca model geliştirme ve çıkarım sürecini basitleştirir.
Önkoşullar
Tarımsal verim ölçüm modeli oluşturmak için öncelikle modeli eğitmek üzere bir veri seti hazırlamanız gerekir. Bu yazı için veri setimiz meyve görsellerinden oluşuyor. Aşağıdaki resimlerde bazı örnekler gösterilmektedir.
Fotoğraflarımızı kendi bahçemizden aldık. Resim dosyalarını şuradan indirebilirsiniz: GitHub repo.
Bu yazı için meyve veriminin kullanım durumunu sergilemek amacıyla yalnızca bir avuç görsel kullanıyoruz. Daha fazla görselle daha fazla deneme yapabilirsiniz.
Veri kümenizi hazırlamak için aşağıdaki adımları tamamlayın:
- Bir oluşturma Amazon Basit Depolama Hizmeti (Amazon S3) kovası.
- Bu paketin içinde adı verilen iki klasör oluşturun.
raw_data
vetest_data
, etiketleme ve model testi amacıyla görüntüleri depolamak için. - Klinik Foto Yükle görüntüleri GitHub deposundan ilgili klasörlere yüklemek için.
Yüklenen görseller etiketlenmemiştir. Bir sonraki adımda görüntüleri etiketlersiniz.
Veri kümenizi Ground Truth'u kullanarak etiketleyin
ML modelini eğitmek için etiketli görsellere ihtiyacınız vardır. Ground Truth, görüntüleri etiketlemek için kolay bir süreç sağlar. Etiketleme görevi bir insan iş gücü tarafından gerçekleştirilir; Bu yazıda özel bir iş gücü yaratacaksınız. Kullanabilirsiniz Amazon Mekanik Türk ölçekte etiketleme için.
Etiketleme iş gücü oluşturun
Öncelikle etiketleme iş gücümüzü oluşturalım. Aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Zemin gerçeği gezinme bölmesinde öğesini seçin. İş gücünün etiketlenmesi.
- Üzerinde Özel Etkinlik sekmesini seçin Özel ekip oluştur.
- İçin Takım adı, iş gücünüz için bir ad girin (bu gönderi için,
labeling-team
). - Klinik Özel ekip oluştur.
- Klinik Yeni çalışanları davet edin.
- içinde Çalışanları e-posta adresine göre ekleyin bölümüne çalışanlarınızın e-posta adreslerini girin. Bu gönderi için kendi e-posta adresinizi girin.
- Klinik Yeni çalışanları davet edin.
Bir sonraki adımda etiketleme işi oluştururken kullanacağınız bir etiketleme iş gücü oluşturdunuz.
Bir Temel Gerçeği etiketleme işi oluşturun
Etiketleme işinizi mükemmelleştirmek için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Zemin gerçeği, seçmek Etiketleme işleri.
- Klinik Etiketleme işi oluştur.
- İçin İş adı, girmek
fruits-detection
. - seç Etiketleme işi adından farklı bir etiket özniteliği adı belirtmek istiyorum.
- İçin Etiket özelliği adıgiriş
Labels
. - İçin Giriş verileri kurulumuseçin Otomatik veri kurulumu.
- İçin Giriş veri kümeleri için S3 konumu, daha önce oluşturduğunuz grubu kullanarak görüntülerin S3 konumunu girin (
s3://{your-bucket-name}/raw-data/images/
). - İçin Çıkış veri kümeleri için S3 konumuseçin Yeni bir konum belirtin ve açıklamalı veriler için çıktı konumunu girin (
s3://{your-bucket-name}/annotated-data/
). - İçin Veri tipi, seçmek Resim.
- Klinik Veri kurulumunu tamamlayın.
Bu, görüntü bildirim dosyasını oluşturur ve S3 giriş konumu yolunu günceller. “Giriş veri bağlantısı başarılı” mesajını bekleyin. - Genişletmek Ek yapılandırma.
- Onaylayın Tam veri kümesi seçilir.
Bu, etiketleme işine tüm görüntüleri mi yoksa filtrelere veya rastgele örneklemeye dayalı olarak görüntülerin bir alt kümesini mi sağlamak istediğinizi belirtmek için kullanılır. - İçin Görev kategorisi, seçmek Resim çünkü bu, görüntüye açıklama eklemeye yönelik bir görevdir.
- Çünkü bu bir nesne algılama kullanım durumudur. Görev seçimiseçin Sınırlayıcı kutu.
- Diğer seçenekleri varsayılan olarak bırakın ve seçin Sonraki.
- Klinik Sonraki.
Artık çalışanlarınızı belirliyor ve etiketleme aracını yapılandırıyorsunuz. - İçin İşçi türleriseçin Özel Etkinlik.Bu gönderide, resimlere açıklama eklemek için dahili bir iş gücü kullanacaksınız. Ayrıca kamu sözleşmeli işgücü seçme seçeneğiniz de vardır (Amazon Mekanik Türk) veya ortak bir iş gücü (Satıcı yönetildi) kullanım durumunuza bağlı olarak.
- Özel takımlar için¸ daha önce oluşturduğunuz takımı seçin.
- Diğer seçenekleri varsayılan olarak bırakın ve şuraya ilerleyin: Sınırlayıcı kutu etiketleme aracı.Özel etiketleme ekibi için etiketleme aracında net talimatların sağlanması önemlidir. Bu talimatlar, etiketleme sırasında açıklama yapanlar için bir kılavuz görevi görür. İyi talimatlar kısa ve özdür, bu nedenle sözlü veya metinsel talimatları iki cümleyle sınırlandırmanızı ve görsel talimatlara odaklanmanızı öneririz. Görüntü sınıflandırması durumunda, talimatların bir parçası olarak her sınıfta bir etiketli görüntü sağlamanızı öneririz.
- İki etiket ekleyin:
fruit
veno_fruit
. - Ayrıntılı talimatları şuraya girin: Sağlanacak açıklama alanı işçilere talimatlar. Örneğin:
You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'
.Ayrıca isteğe bağlı olarak iyi ve kötü etiketleme görsellerine örnekler de verebilirsiniz. Bu görsellerin herkesin erişimine açık olduğundan emin olmanız gerekir. - Klinik oluşturmak etiketleme işini oluşturmak için.
İş başarıyla oluşturulduktan sonraki adım, giriş görüntülerini etiketlemektir.
Etiketleme işine başlayın
İşi başarıyla oluşturduktan sonra işin durumu InProgress
. Bu, işin oluşturulduğu ve özel iş gücüne, kendilerine atanan görevle ilgili e-posta yoluyla bilgi verildiği anlamına gelir. Görevi kendinize atadığınız için, Temel Gerçek Etiketleme projesine giriş yapma talimatlarını içeren bir e-posta almalısınız.
- E-postayı açın ve sağlanan bağlantıyı seçin.
- E-postada verilen kullanıcı adını ve şifreyi girin.
Giriş yaptıktan sonra e-postada sağlanan geçici şifreyi yeni bir şifreyle değiştirmeniz gerekebilir. - Giriş yaptıktan sonra işinizi seçin ve Çalışmaya başlamak.
Görüntüleri yakınlaştırmak, uzaklaştırmak, taşımak ve sınırlayıcı kutular çizmek için sağlanan araçları kullanabilirsiniz. - Etiketinizi seçin (
fruit
orno_fruit
) ve ardından görüntüye açıklama eklemek için görüntüye bir sınırlayıcı kutu çizin. - Bitirdiğinizde seçin Gönder.
Artık ML modeli tarafından eğitim için kullanılacak görselleri doğru şekilde etiketlediniz.
Amazon Rekognition projenizi oluşturun
Tarımsal verim ölçüm projenizi oluşturmak için aşağıdaki adımları tamamlayın:
- Amazon Rekognition konsolunda şunu seçin: Özel Etiketler.
- Klinik Şimdi Başlayın.
- İçin Proje adı, girmek
fruits_yield
. - Klinik proje oluşturma.
Ayrıca bir proje oluşturabilirsiniz. Projeler sayfa. Erişebilirsiniz Projeler Gezinti bölmesi aracılığıyla sayfa. Bir sonraki adım, görüntüleri girdi olarak sağlamaktır.
Veri kümenizi içe aktarın
Tarımsal verim ölçüm modelinizi oluşturmak için öncelikle modeli eğitmek üzere bir veri kümesini içe aktarmanız gerekir. Bu yazı için veri kümemiz zaten Temel Gerçek kullanılarak etiketlendi.
- İçin Resimleri içe aktarseçin SageMaker Ground Truth tarafından etiketlenen görüntüleri içe aktarın.
- İçin Bildirim dosyası konumu, bildirim dosyanızın S3 klasör konumunu girin (
s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest
). - Klinik Veri Kümesi Oluştur.
Etiketli veri kümenizi görebilirsiniz.
Artık ML modelinin eğitimine başlamak için giriş veri kümeniz var.
Modelinizi eğitin
Görsellerinizi etiketledikten sonra modelinizi eğitmeye hazırsınız.
Eğitimin tamamlanmasını bekleyin. Artık bu eğitilmiş modelin performansını test etmeye başlayabilirsiniz.
Modelinizi test edin
Tarımsal verim ölçüm modeliniz artık kullanıma hazırdır ve Running
durum. Modeli test etmek için aşağıdaki adımları tamamlayın:
Adım 1: Modeli başlatın
Model ayrıntıları sayfanızda, Modeli kullan sekmesini seçin Başlama.
Rekognition Custom Labels ayrıca modelinizi başlatmak, kullanmak ve durdurmak için API çağrıları da sağlar.
Adım 2: Modeli test edin
Model mevcut olduğunda Running
durumunda, örnek test komut dosyasını kullanabilirsiniz analyzeImage.py
Bir görüntüdeki meyve miktarını saymak için.
- Bu betiği şuradan indirin: GitHub repo.
- Parametreyi değiştirmek için bu dosyayı düzenleyin
bucket
paketinizin adı vemodel
Amazon Rekognition modeliniz ARN ile.
Parametreleri kullanıyoruz photo
ve min_confidence
bu Python betiğinin girdisi olarak.
Bu komut dosyasını kullanarak yerel olarak çalıştırabilirsiniz. AWS Komut Satırı Arayüzü (AWS CLI) veya kullanma AWS BulutKabuğu. Örneğimizde betiği CloudShell konsolu aracılığıyla çalıştırdık. CloudShell'in olduğunu unutmayın kullanmakta özgürsün.
Komutu kullanarak gerekli bağımlılıkları yüklediğinizden emin olun. pip3 install boto3 PILLOW
zaten yüklü değilse.
Aşağıdaki ekran görüntüsü, giriş görüntüsünde iki meyve tespit eden çıktıyı göstermektedir. Fotoğraf argümanı olarak 15.jpeg'i ve argüman olarak 85'i sağladık. min_confidence
değeri.
Aşağıdaki örnekte iki sınırlayıcı kutu içeren 15.jpeg resmi gösterilmektedir.
Aynı komut dosyasını diğer görüntülerle çalıştırabilir ve güven puanını daha da değiştirerek denemeler yapabilirsiniz.
3. Adım: Modeli durdurun
İşiniz bittiğinde gereksiz masraflara maruz kalmamak için modeli durdurmayı unutmayın. Model ayrıntıları sayfanızdaki Modeli kullan sekmesinde Durdur'u seçin.
Temizlemek
Gereksiz ücretlendirmelerden kaçınmak için, bu izlenecek yolda kullanılan kaynakları, kullanılmadıklarında silin. Amazon Rekognition projesini ve S3 klasörünü silmemiz gerekiyor.
Amazon Rekognition projesini silin
Amazon Rekognition projesini silmek için aşağıdaki adımları tamamlayın:
- Amazon Rekognition konsolunda şunu seçin: Özel Etiketleri Kullanın.
- Klinik BAŞLAYIN.
- Gezinti bölmesinde şunu seçin: Projeler.
- Üzerinde Projeler sayfasında silmek istediğiniz projeyi seçin.
- Klinik Sil.
The Projeyi sil iletişim kutusu belirir.
- Klinik Sil.
- Projenin ilişkili modeli yoksa:
- Keşfet silmek projeyi silmek için.
- Klinik Sil projeyi silmek için.
- Projenin ilişkili modelleri veya veri kümeleri varsa:
- Keşfet silmek Modeli ve veri kümelerini silmek istediğinizi onaylamak için.
- Birini seçin İlişkili modelleri sil, İlişkili veri kümelerini silinya da İlişkili veri kümelerini ve modelleri silinmodelin veri kümelerine, modellere veya her ikisine birden sahip olmasına bağlı olarak.
Model silme işleminin tamamlanması biraz zaman alabilir. Amazon Rekognition konsolunun eğitim veya çalışma aşamasındaki modelleri silemeyeceğini unutmayın. Listelenen çalışan modelleri durdurduktan sonra tekrar deneyin ve eğitim olarak listelenen modeller tamamlanana kadar bekleyin. Model silme sırasında iletişim kutusunu kapatırsanız modeller yine de silinir. Daha sonra bu işlemi tekrarlayarak projeyi silebilirsiniz.
- Keşfet silmek projeyi silmek istediğinizi onaylamak için.
- Klinik Sil projeyi silmek için.
S3 klasörünüzü silin
Önce kovayı boşaltmanız ve ardından silmeniz gerekir.
- Üzerinde Amazon S3 konsol, seç Kepçeler.
- Boşaltmak istediğiniz kovayı seçin ve ardından boş.
- Kova adını metin alanına girerek kovayı boşaltmak istediğinizi onaylayın ve ardından boş.
- Klinik Sil.
- Paket adını metin alanına girerek paketi silmek istediğinizi onaylayın ve ardından Paketi sil.
Sonuç
Bu yazımızda Rekognition Özel Etiketler ile nesne algılama modelinin nasıl oluşturulacağını gösterdik. Bu özellik, başka nesneleri belirtmeye gerek kalmadan veya sonuçlarındaki doğruluğu kaybetmeden bir nesne sınıfını algılayabilen özel bir modelin eğitilmesini kolaylaştırır.
Özel etiketleri kullanma hakkında daha fazla bilgi için bkz. Amazon Rekognition Custom Labels Nedir?
yazarlar hakkında
Dhiraj Thakur Amazon Web Services ile bir Çözüm Mimarıdır. Kurumsal bulut benimseme, geçiş ve strateji konusunda rehberlik sağlamak için AWS müşterileri ve ortaklarıyla birlikte çalışır. Teknolojiye tutkuyla bağlı ve analitik ve yapay zeka / makine öğrenimi alanında oluşturmayı ve deney yapmayı seviyor.
Sameer Goel Hollanda'da, en ileri girişimlerde prototipler oluşturarak müşteri başarısını artıran Kıdemli Çözüm Mimarıdır. AWS'ye katılmadan önce Sameer, Boston'dan veri bilimi üzerine yüksek lisans derecesi ile mezun oldu. Raspberry Pi'de AI/ML projeleri oluşturmaktan ve denemeler yapmaktan hoşlanıyor. Onu şurada bulabilirsin LinkedIn.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- Amazon Rekognisyon
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- dal-e
- derin öğrenme
- google ai
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet