Спеціальні етикетки Amazon Rekogmination — це повністю керована служба комп’ютерного зору, яка дозволяє розробникам створювати власні моделі для класифікації та ідентифікації об’єктів у зображеннях, які є специфічними та унікальними для вашого бізнесу.
Rekognition Custom Labels не вимагає попереднього знання комп’ютерного зору. Ви можете почати, просто завантаживши десятки зображень замість тисяч. Якщо зображення вже позначені, ви можете почати навчання моделі всього за кілька кліків. Якщо ні, ви можете позначити їх безпосередньо на консолі Rekognition Custom Labels або використовувати Основна правда Amazon SageMaker маркувати їх. Rekognition Custom Labels використовує навчання з перенесенням, щоб автоматично перевіряти навчальні дані, вибирати правильний каркас і алгоритм моделі, оптимізувати гіперпараметри та навчати модель. Коли ви задоволені точністю моделі, ви можете розпочати розміщення навченої моделі лише одним клацанням миші.
Однак якщо ви бізнес-користувач, який бажає вирішити проблему комп’ютерного зору, візуалізувати результати висновку спеціальної моделі та отримувати сповіщення, коли такі результати будуть доступні, вам доведеться покладатися на свою команду інженерів для створення такої програми. Наприклад, керівника сільськогосподарських операцій можна сповістити, коли врожай має захворювання, винороба можна повідомити, коли виноград дозрів для збору, або керівника магазину можна повідомити, коли настав час поповнити запаси, такі як безалкогольні напої. у вертикальному холодильнику.
У цій публікації ми розповімо вам про процес створення рішення, яке дозволяє візуалізувати результат висновку та надсилати сповіщення користувачам, які підписалися, коли певні мітки ідентифікуються на зображеннях, які обробляються за допомогою моделей, створених за допомогою Rekognition Custom Labels.
Огляд рішення
Наступна схема ілюструє нашу архітектуру рішення.
Це рішення використовує такі служби AWS для впровадження масштабованої та економічно ефективної архітектури:
- Амазонка Афіна – Інтерактивна служба запитів без сервера, яка дозволяє легко аналізувати дані в Amazon S3 за допомогою стандартного SQL.
- AWS Lambda – Безсерверна обчислювальна служба, яка дозволяє запускати код у відповідь на такі тригери, як зміни даних, зміни стану системи або дії користувача. Оскільки Amazon S3 може безпосередньо запускати лямбда-функцію, ви можете створювати різноманітні програми в режимі реального часу без сервера системи обробки даних.
- Amazon QuickSight – Дуже швидкий, простий у використанні хмарний сервіс бізнес-аналітики, який дозволяє легко створювати візуалізації, виконувати спеціальний аналіз і швидко отримувати бізнес-інсайти з даних.
- Спеціальні етикетки Amazon Rekogmination – Дозволяє навчити власну модель комп’ютерного зору для визначення об’єктів і сцен на зображеннях, які відповідають потребам вашого бізнесу.
- Служба простих сповіщень Amazon – Amazon SNS — це повністю керована служба обміну повідомленнями як для зв’язку «програма-додаток» (A2A), так і «від програми до людини» (A2P).
- Служба простої черги Amazon – Amazon SQS – це повністю керована служба черги повідомлень, яка дає змогу роз’єднати та масштабувати мікросервіси, розподілені системи та безсерверні програми.
- Служба простого зберігання Amazon – Amazon S3 служить сховищем об’єктів для ваших документів і дозволяє централізоване керування за допомогою точно налаштованого контролю доступу.
Рішення використовує безсерверний робочий процес, який запускається, коли зображення завантажується у вхідний сегмент S3. Черга SQS отримує сповіщення про подію для створення об’єкта. Розчин також створює черги недопущених листів (DLQ) щоб відокремити та ізолювати повідомлення, які не можуть бути оброблені належним чином. Лямбда-функція живиться від черги SQS і створює DetectLabels
Виклик API для виявлення всіх міток на зображенні. Щоб масштабувати це рішення та зробити його слабко пов’язаним дизайном, функція лямбда надсилає результати передбачення в іншу чергу SQS. Ця черга SQS запускає іншу лямбда-функцію, яка аналізує всі мітки, знайдені в передбаченнях. На основі налаштувань користувача (налаштованих під час розгортання рішення) функція публікує повідомлення в темі SNS. Тема SNS налаштована для доставки сповіщень електронною поштою для користувача. Ви можете налаштувати функцію Lambda, щоб додати URL-адресу до повідомлення, надісланого в Amazon SNS для доступу до зображення (за допомогою Amazon S3 попередньо підписану URL-адресу). Нарешті, лямбда-функція завантажує результат прогнозу та метадані зображення в сегмент S3. Потім ви можете використовувати Athena і QuickSight для аналізу та візуалізації результатів із сегмента S3.
Передумови
Вам потрібно, щоб модель була навчена та працювала з користувацькими етикетками Rekognition.
Rekognition Custom Labels дає змогу керувати процесом навчання моделі машинного навчання на Amazon Rekognition консоль, яка спрощує процес розробки моделі наскрізь. Для цієї публікації ми використовуємо модель класифікації, навчена виявляти хвороби листя рослин.
Розгорніть рішення
Ви розгортаєте AWS CloudFormation шаблон для надання необхідних ресурсів, включаючи сегменти S3, черги SQS, тему SNS, лямбда-функції та Управління ідентифікацією та доступом AWS (IAM) ролі. Шаблон створює стек для регіону us-east-1, але ви можете використовувати цей шаблон, щоб створити свій стек у будь-якому регіоні, де доступні вищезгадані служби AWS.
- Запустіть такий шаблон CloudFormation в обліковому записі регіону та AWS, де ви розгорнули модель користувацьких міток Rekognition:
- для Назва стека, введіть назву стека, наприклад
rekognition-customlabels-analytics-and-notification
. - для CustomModelARN, введіть ARN моделі користувацьких етикеток Amazon Rekognition, яку ви хочете використовувати.
Модель користувацьких міток Rekognition має бути розгорнута в тому ж обліковому записі AWS.
- для Повідомлення електронною поштою, введіть адресу електронної пошти, на яку ви хочете отримувати сповіщення.
- для InputBucketName, введіть унікальну назву для сегмента S3, який створює стек; наприклад,
plant-leaf-disease-data-input
.
Тут зберігаються вхідні зображення листя рослини.
- для Етикетки інтересів, ви можете ввести до 10 різних міток, про які ви хочете отримувати сповіщення, у форматі, розділеному комами. Для нашого прикладу хвороби рослин введіть
bacterial-leaf-blight,leaf-smut
. - для MinConfidence, введіть мінімальний поріг довіри, щоб отримати сповіщення. Мітки, виявлені з впевненістю нижче значення MinConfidence, не повертаються у відповіді та не створять сповіщення.
- для OutputBucketName, введіть унікальну назву для сегмента S3, який створює стек; наприклад,
plant-leaf-disease-data-output
.
Вихідний сегмент містить файли JSON з метаданими зображення (знайдені мітки та показник впевненості).
- Вибирати МАЙБУТНІ.
- на Налаштувати параметри стека на сторінці, встановіть будь-які додаткові параметри для стека, включаючи теги.
- Вибирати МАЙБУТНІ.
- У Можливості та перетворення встановіть прапорець, щоб підтвердити, що AWS CloudFormation може створити Ресурси IAM.
- Вибирати Створити стек.
Сторінка інформації про стек має показувати статус стека як CREATE_IN_PROGRESS
. Для зміни статусу може знадобитися до 5 хвилин CREATE_COMPLETE
.
Amazon SNS надішле на електронну адресу повідомлення з підтвердженням підписки. Тобі потрібно підтвердити підписку.
Перевірте розчин
Тепер, коли ми розгорнули ресурси, ми готові протестувати рішення. Переконайтеся, що ви запустити модель.
- На консолі Amazon S3 виберіть Відра.
- Виберіть вхідний сегмент S3.
- Завантажте тестові зображення у відро.
У виробництві ви можете налаштувати автоматизовані процеси для доставки зображень у цей сегмент.
Ці зображення запускають робочий процес. Якщо надійність мітки перевищує вказаний поріг, ви отримаєте сповіщення електронною поштою, як показано нижче.
Ви також можете налаштувати тему SNS для доставки цих сповіщень будь-кому напрямки підтримується сервісом.
Проаналізуйте результати прогнозу
Після тестування рішення ви можете розширити його, щоб створити візуальний аналіз для передбачення оброблених зображень. Для цього ми використовуємо Athena, інтерактивну службу запитів, яка дозволяє легко аналізувати дані безпосередньо з Amazon S3 за допомогою стандартного SQL, і QuickSight для візуалізації даних.
Налаштувати Athena
Якщо ви не знайомі з Amazon Athena, див цей підручник. На консолі Athena створіть таблицю в каталозі даних Athena з таким кодом:
Заповніть Location
поле в попередньому запиті з назвою вашого вихідного сегмента, наприклад plant-leaf-disease-data-output
.
Цей код розповідає Athena, як інтерпретувати кожен рядок тексту в сегменті S3.
Тепер ви можете запитати дані:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Налаштуйте QuickSight
Щоб налаштувати QuickSight, виконайте такі дії:
- Відкрийте Консоль QuickSight.
- Якщо ви не зареєструвалися в QuickSight, вам буде запропоновано зареєструватися. Дотримуйтесь інструкцій, щоб зареєструйтеся, щоб використовувати QuickSight.
- Після входу в QuickSight виберіть Керуйте QuickSight під вашим обліковим записом.
- На панелі навігації виберіть Безпека та дозволи.
- під Доступ QuickSight до служб AWSвиберіть Додайте або видаліть.
З’явиться сторінка для надання доступу QuickSight до служб AWS.
- Select Amazon Афіна.
- У спливаючому вікні виберіть МАЙБУТНІ.
- На вкладці S3 виберіть необхідні сегменти S3. Для цієї публікації я вибираю сегмент, у якому зберігаються результати мого запиту Athena.
- Для кожного відра також виберіть Дозвіл на запис для робочої групи Athena.
- Вибирати обробка.
- Вибирати Оновити.
- На консолі QuickSight виберіть Новий аналіз.
- Вибирати Новий набір даних.
- для Набори данихвиберіть Афіна.
- для Назва джерела даних, введіть
Athena-CustomLabels-analysis
. - для Робоча група «Афіна».виберіть первинний.
- Вибирати Створити джерело даних.
- для Databaseвиберіть
default
у спадному меню. - для таблиці, виберіть таблицю
rekognition_customlabels_analytics
. - Вибирати Виберіть.
- Вибирати Візуалізувати.
- на Візуалізувати сторінку, під Поля список, виберіть етикетка і виберіть кругову діаграму з Візуальні види.
Ви можете додати більше візуалізацій на інформаційну панель. Коли ваш аналіз буде готовий, ви можете вибрати Поділитись щоб створити інформаційну панель і поділитися нею у вашій організації.
Підсумки
У цій публікації ми показали, як ви можете створити рішення для отримання сповіщень про певні мітки (наприклад, бактеріальний опіок листя або сажка), знайдені в оброблених зображеннях за допомогою користувацьких етикеток Rekognition. Крім того, ми показали, як можна створити інформаційні панелі для візуалізації результатів за допомогою Athena і QuickSight.
Тепер ви можете легко поділитися такими панелями візуалізації з бізнес-користувачами та дозволити їм підписатися на сповіщення замість того, щоб покладатися на ваші команди інженерів для створення такої програми.
Про авторів
Джей Рао є головним архітектором рішень у AWS. Йому подобається надавати клієнтам технічні та стратегічні рекомендації, а також допомагати їм розробляти та впроваджувати рішення на AWS.
Пашмін Містрі є старшим менеджером з продуктів Amazon Rekognition Custom Labels. Поза роботою Пашмін любить пригодницькі походи, фотографує та проводить час зі своєю родиною.
- Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
- CryptoHawk. Альткойн Радар. Безкоштовне випробування.
- Джерело: https://aws.amazon.com/blogs/machine-learning/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- доступ
- рахунки
- дії
- Ad
- доповнення
- Додатковий
- адреса
- алгоритм
- ВСІ
- вже
- Amazon
- аналіз
- аналітика
- Інший
- API
- додаток
- застосування
- архітектура
- Автоматизований
- доступний
- AWS
- border
- Box
- будувати
- Створюємо
- бізнес
- call
- Може отримати
- зміна
- Вибирати
- класифікація
- код
- Комунікація
- обчислення
- довіра
- Консоль
- містить
- рентабельним
- з'єднаний
- створює
- створення
- урожай
- виготовлений на замовлення
- Клієнти
- приладова панель
- дані
- розгортання
- розгорнути
- розгортання
- дизайн
- виявлено
- розробників
- розробка
- різний
- безпосередньо
- Захворювання
- розподілений
- документація
- Ні
- легко
- дозволяє
- Машинобудування
- Що натомість? Створіть віртуальну версію себе у
- Event
- приклад
- експертиза
- продовжити
- сім'я
- ШВИДКО
- в кінці кінців
- стежити
- після
- формат
- знайдений
- Рамки
- функція
- породжувати
- має
- Як
- How To
- HTTPS
- ідентифікувати
- Особистість
- зображення
- здійснювати
- У тому числі
- вхід
- розуміння
- інтерактивний
- IT
- тільки один
- етикетки
- вивчення
- список
- розташування
- шукати
- машина
- навчання за допомогою машини
- РОБОТИ
- вдалося
- управління
- менеджер
- обмін повідомленнями
- мінімальний
- модель
- Моделі
- більше
- навігація
- сповіщення
- операції
- варіант
- організація
- малюнок
- прогноз
- Прогнози
- Головний
- Проблема
- процес
- процеси
- Product
- Production
- забезпечення
- мета
- швидко
- реального часу
- отримати
- вимагати
- ресурси
- відповідь
- результати
- прогін
- біг
- масштабовані
- шкала
- сцени
- Без сервера
- обслуговування
- Послуги
- комплект
- Поділитись
- простий
- рішення
- Рішення
- ВИРІШИТИ
- Витрати
- стек
- standard
- старт
- почалася
- стан
- Статус
- зберігання
- зберігати
- магазинів
- Стратегічний
- підписуватися
- передплата
- Підтриманий
- система
- Systems
- команда
- технічний
- розповідає
- тест
- тисячі
- через
- час
- Навчання
- переклад
- створеного
- використання
- користувачі
- значення
- різноманітність
- бачення
- візуалізації
- в
- Work
- Робоча група