Визначення орієнтирів за допомогою спеціальних міток Amazon Rekognition

Amazon Rekognition – це служба комп’ютерного бачення, яка спрощує додавання аналізу зображень і відео до ваших програм за допомогою перевіреної, високомасштабованої технології глибокого навчання, яка не потребує досвіду машинного навчання (ML). За допомогою Amazon Rekognition ви можете ідентифікувати об’єкти, людей, текст, сцени та дії на зображеннях і відео та виявляти неприйнятний вміст. Amazon Rekognition також надає високоточний аналіз облич і можливості пошуку за обличчям, які можна використовувати для виявлення, аналізу та порівняння облич у різноманітних випадках використання.

Спеціальні етикетки Amazon Rekogmination є функцією Amazon Rekognition, яка спрощує створення власних спеціалізованих можливостей аналізу зображень на основі ML для виявлення унікальних об’єктів і сцен, невід’ємних для вашого конкретного випадку використання.

Деякі поширені випадки використання користувацьких міток Rekognition включають пошук вашого логотипу в публікаціях у соціальних мережах, ідентифікацію ваших продуктів на полицях магазинів, класифікацію деталей машин на конвеєрі, розрізнення здорових та заражених рослин тощо.

Етикетки Amazon Rekognition підтримує такі популярні пам'ятки, як Бруклінський міст, Колізей, Ейфелева вежа, Мачу-Пікчу, Тадж-Махал, і більше. Якщо у вас є інші орієнтири чи будівлі, які ще не підтримуються Amazon Rekognition, ви все одно можете використовувати спеціальні мітки Amazon Rekognition.

У цій публікації ми демонструємо використання спеціальних міток Rekognition для виявлення будівлі Amazon Spheres у Сіетлі.

Завдяки спеціальним етикеткам Rekognition AWS подбає про важку роботу за вас. Rekognition Custom Labels базується на наявних можливостях Amazon Rekognition, які вже навчені на десятках мільйонів зображень у багатьох категоріях. Замість тисяч зображень вам просто потрібно завантажити невеликий набір навчальних зображень (зазвичай кілька сотень зображень або менше), які відповідають вашому випадку використання через нашу зрозумілу консоль. Amazon Rekognition може почати навчання всього за кілька кліків. Після того, як Amazon Rekognition почне навчання з вашого набору зображень, він може створити власну модель аналізу зображення протягом кількох хвилин або годин. За лаштунками Rekognition Custom Labels автоматично завантажує та перевіряє навчальні дані, вибирає відповідні алгоритми ML, навчає модель і надає показники ефективності моделі. Потім ви можете використовувати власну модель за допомогою Rekognition Custom Labels API та інтегрувати її у свої програми.

Огляд рішення

Для нашого прикладу ми використовуємо Сфери Амазонки будівлі в Сіетлі. Ми навчаємо модель за допомогою Rekognition Custom Labels; щоразу, коли використовуються подібні зображення, алгоритм повинен ідентифікувати це як Amazon Spheres замість Dome, Architecture, Glass buildingабо інші мітки.

Давайте спочатку покажемо приклад використання функції виявлення міток Amazon Rekognition, де ми передаємо зображення Amazon Spheres без спеціального навчання. Ми використовуємо консоль Amazon Rekognition, щоб відкрити демонстрацію виявлення міток і завантажити наше фото.

Після того, як зображення завантажено та проаналізовано, ми бачимо мітки з їхніми показниками надійності результати. В цьому випадку, Dome було виявлено з достовірністю 99.2%, Architecture з 99.2%, Building з 99.2%, Metropolis з 79.4% і так далі.

Ми хочемо використовувати спеціальне маркування для створення моделі комп’ютерного зору, яка може маркувати зображення Amazon Spheres.

У наступних розділах ми проведемо вас через підготовку набору даних, створення проекту користувацьких міток Rekognition, навчання моделі, оцінку результатів і тестування за допомогою додаткових зображень.

Передумови

Перш ніж почати з кроків, є квоти для Rekognition Custom Labels, про які вам потрібно знати. Якщо ви хочете змінити ліміти, ви можете надіслати запит на a збільшення ліміту обслуговування.

Створіть свій набір даних

Якщо ви вперше використовуєте спеціальні мітки Rekognition, вам буде запропоновано створити Служба простого зберігання Amazon (Amazon S3) для зберігання вашого набору даних.

Для демонстрації цього блогу ми використали зображення сфер Amazon, які ми зробили під час відвідування Сіетла, штат Вашингтон. Не соромтеся використовувати власні зображення відповідно до ваших потреб.

Скопіюйте свій набір даних у щойно створене відро, де ваші зображення зберігаються у відповідних префіксах.

Створіть проект

Щоб створити свій проект Rekognition Custom Labels, виконайте такі кроки:

1. На консолі Rekognition Custom Labels виберіть Створіть проект.
2. для Назва проекту, введіть ім'я.
3. Вибирати Створити проект.
   
   Тепер ми визначаємо конфігурацію та шлях вашого навчального та тестового набору даних.
4. Вибирати Створити набір даних.
   

Ви можете почати з проекту, який має один набір даних, або проекту, який має окремі навчальні та тестові набори даних. Якщо ви починаєте з одного набору даних, Rekognition Custom Labels розділяє ваш набір даних під час навчання, щоб створити навчальний набір даних (80%) і тестовий набір даних (20%) для вашого проекту.

Крім того, ви можете створити навчальні та тестові набори даних для проекту, імпортувавши зображення з одного з таких місць:

Для цієї публікації ми використовуємо наш власний набір даних Amazon Spheres.

1. Select Почніть з одного набору даних.
2. Select Імпортувати зображення з сегмента S3.
   
3. для S3 URI, введіть шлях до свого відра S3.
4. Якщо ви хочете, щоб Rekognition Custom Labels автоматично позначав зображення на основі назв папок у вашому сегменті S3, виберіть Автоматично призначайте зображенням мітки на рівні зображення на основі імені папки.
   
5. Вибирати Створити набір даних.

Відкриється сторінка, яка показує зображення з їх мітками. Якщо ви бачите будь-які помилки в етикетках, зверніться до Налагодження наборів даних.

Тренуйте модель

Переглянувши свій набір даних, тепер можна навчити модель.

1. Вибирати модель поїзда.
2. для Виберіть проект, введіть ARN для вашого проекту, якщо його ще немає в списку.
3. Вибирати Модель потяга.

У моделі розділі сторінки проекту, ви можете перевірити поточний статус у Статус моделі колонка, де триває навчання. Навчання зазвичай займає від 30 хвилин до 24 годин, залежно від кількох факторів, таких як кількість зображень і кількість міток у навчальному наборі, а також типів алгоритмів ML, які використовуються для навчання вашої моделі.

Після завершення навчання моделі ви можете побачити статус моделі як TRAINING_COMPLETED. Якщо навчання не вдається, зверніться до Налагодження невдалого навчання моделі.

Оцініть модель

Відкрийте сторінку з інформацією про модель. The Оцінка На вкладці показано показники для кожної мітки та середній показник для всього тестового набору даних.

Консоль користувацьких міток Rekognition надає такі показники як зведення результатів навчання та як показники для кожної мітки:

Ви можете переглянути результати навченої моделі для окремих зображень, як показано на наступному знімку екрана.

Випробуйте модель

Тепер, коли ми переглянули результати оцінки, ми готові запустити модель і проаналізувати нові зображення.

Ви можете почати модель на Використовуйте модель на консолі Rekognition Custom Labels або за допомогою StartProjectVersion операція через Інтерфейс командного рядка AWS (AWS CLI) або Python SDK.

Коли модель працює, ми можемо аналізувати нові зображення за допомогою DetectCustomLabels API. Результат від DetectCustomLabels це передбачення того, що зображення містить певні об’єкти, сцени або поняття. Перегляньте наступний код:

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

У вихідних даних ви можете побачити мітку з її оцінкою надійності:

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

Як видно з результату, лише кількома простими клацаннями миші ви можете використовувати власні мітки Rekognition для досягнення точних результатів маркування. Ви можете використовувати це для багатьох варіантів використання зображень, наприклад для ідентифікації власного маркування харчових продуктів, домашніх тварин, деталей машин тощо.

Прибирати

Щоб очистити ресурси, які ви створили під час цієї публікації, і уникнути будь-яких потенційних повторних витрат, виконайте такі дії:

1. на Використовуйте модель вкладка зупинити модель.
   Крім того, ви можете зупинити модель за допомогою StopProjectVersion роботи через AWS CLI або Python SDK. Зачекайте, доки модель перейде в Stopped перед тим, як перейти до наступних кроків.
2. Видалити модель.
3. Видалити проект.
4. Видалити набір даних.
5. порожній вміст відра S3 і видаляти відро.

Висновок

У цій публікації ми показали, як використовувати спеціальні мітки Rekognition для виявлення зображень будівель.

Ви можете розпочати роботу зі своїми користувацькими наборами даних зображень, а за допомогою кількох простих клацань на консолі користувацьких міток Rekognition ви зможете навчити свою модель і виявляти об’єкти на зображеннях. Спеціальні мітки Rekognition можуть автоматично завантажувати та перевіряти дані, вибирати правильні алгоритми ML, навчати модель і надавати показники ефективності моделі. Ви можете переглядати детальні показники ефективності, такі як точність, запам’ятовування, оцінки F1 і оцінки впевненості.

Настав день, коли тепер ми можемо ідентифікувати такі популярні будівлі, як Емпайр-Стейт-Білдінг у Нью-Йорку, Тадж-Махал в Індії та багато інших у всьому світі, попередньо позначені та готові до використання для розвідки у ваших програмах. Але якщо у вас є інші орієнтири, які наразі ще не підтримуються Amazon Rekognition Labels, не шукайте далі та спробуйте спеціальні мітки Amazon Rekognition.

Додаткову інформацію про використання користувацьких міток див Що таке спеціальні етикетки Amazon Rekognition? Також відвідайте наш GitHub репо для наскрізного робочого процесу спеціального виявлення бренду Amazon Rekognition.

Про авторів:

Суреш Патнам є головним керівником BDM – GTM AI/ML в AWS. Він працює з клієнтами над створенням ІТ-стратегії, роблячи цифрову трансформацію через хмару більш доступною завдяки використанню даних і ШІ/ML. У вільний час Суреш любить грати в теніс і проводити час із сім’єю.

Зайчик Каушик є архітектором рішень в AWS. Він захоплений розробкою рішень AI/ML на AWS і допомагає клієнтам впроваджувати інновації на платформі AWS. Поза роботою він захоплюється пішим туризмом, скелелазінням і плаванням.