За останнє десятиліття випадки використання комп’ютерного зору стали зростаючою тенденцією, особливо в таких галузях, як страхування, автомобільна промисловість, електронна комерція, енергетика, роздрібна торгівля, виробництво тощо. Клієнти створюють моделі машинного навчання комп’ютерного зору (ML), щоб підвищити операційну ефективність і автоматизувати свої процеси. Такі моделі допомагають автоматизувати класифікацію зображень або виявлення об’єктів інтересу на зображеннях, які є специфічними та унікальними для вашого бізнесу.
Щоб спростити процес створення моделі ML, ми ввели Amazon SageMaker JumpStart у грудні 2020 р. JumpStart допоможе вам швидко та легко розпочати роботу з машинним навчанням. Він забезпечує розгортання та тонке налаштування широкого спектру попередньо навчених моделей одним клацанням миші, а також вибір наскрізних рішень. Це знімає важку роботу з кожного етапу процесу машинного навчання, полегшуючи розробку високоякісних моделей і скорочуючи час до розгортання. Однак для цього потрібно мати певні попередні знання, щоб допомогти вибрати модель із каталогу з понад 200 попередньо підготовлених моделей комп’ютерного зору. Потім вам потрібно порівняти продуктивність моделі з різними налаштуваннями гіперпараметрів і вибрати найкращу модель для розгортання у виробництві.
Щоб спростити цей досвід і дозволити розробникам, які не мають досвіду в ML, створювати власні моделі комп’ютерного зору, ми випускаємо новий приклад блокнота в JumpStart, який використовує Спеціальні етикетки Amazon Rekogmination, повністю керований сервіс для створення власних моделей комп’ютерного зору. Rekognition Custom Labels створено на основі попередньо навчених моделей Amazon Rekognition, які вже навчені на десятках мільйонів зображень у багатьох категоріях. Замість тисяч зображень ви можете почати з невеликого набору навчальних зображень (кілька сотень або менше), які відповідають вашому випадку використання. Rekognition Custom Labels позбавляє від складності створення власної моделі. Він автоматично перевіряє навчальні дані, вибирає правильні алгоритми ML, вибирає тип екземпляра, навчає кілька моделей-кандидатів з різними гіперпараметрами та виводить найкраще навчену модель. Rekognition Custom Labels також надає простий у використанні інтерфейс від Консоль управління AWS для всього робочого процесу ML, включаючи маркування зображень, навчання, розгортання моделі та візуалізацію результатів тестування.
Цей приклад блокнота в JumpStart із використанням користувацьких міток Rekognition вирішує будь-які завдання комп’ютерного бачення ML з класифікації зображень або виявлення об’єктів, полегшуючи роботу для клієнтів, знайомих із Amazon SageMaker створити рішення комп’ютерного зору, яке найкраще відповідає вашому випадку використання, вимогам і набору навичок.
У цій публікації ми надаємо покрокові вказівки щодо використання цього прикладу блокнота в JumpStart. Блокнот демонструє, як легко використовувати наявні навчальні API та інтерфейси логічного висновку Rekognition Custom Labels для створення моделі класифікації зображень, моделі класифікації з кількома мітками та моделі виявлення об’єктів. Щоб вам було легше розпочати, ми надали зразки наборів даних для кожної моделі.
Навчіть і розгорніть модель комп’ютерного бачення за допомогою спеціальних міток Rekognition
У цьому розділі ми знаходимо потрібний блокнот у JumpStart і демонструємо, як навчати та запускати висновок на розгорнутій кінцевій точці.
Почнемо з Студія Amazon SageMaker Пускова установка.
- На панелі запуску Studio виберіть Перейдіть до SageMaker JumpStart.
На цільовій сторінці JumpStart є розділи для каруселей рішень, текстових моделей і моделей зору. Він також має панель пошуку. - У рядку пошуку введіть
Rekognition Custom Labels
і оберіть Спеціальні мітки розпізнавання для Vision зошит.
Блокнот відкривається в режимі лише для читання. - Вибирати Імпорт блокнота щоб імпортувати блокнот у ваше середовище.
Блокнот містить покрокову інструкцію для навчання та виконання висновків за допомогою спеціальних міток Rekognition з консолі JumpStart. Він надає наступні чотири зразки наборів даних для демонстрації класифікації зображень із однією та кількома мітками та виявлення об’єктів.
-
- Класифікація зображень з однією міткою – Цей набір даних демонструє, як класифікувати зображення як належні до одного з набору попередньо визначених міток. Наприклад, компанії з нерухомості можуть використовувати користувацькі мітки Rekognition для класифікації своїх зображень віталень, задніх дворів, спалень та інших житлових приміщень. Нижче наведено зразок зображення з цього набору даних, який є частиною блокнота.
- Класифікація зображень за кількома мітками – Цей набір даних демонструє, як класифікувати зображення за кількома категоріями, як-от колір, розмір, текстура та тип квітки. Наприклад, виробники рослин можуть використовувати користувацькі мітки Rekognition, щоб розрізняти різні типи квітів і чи вони здорові, пошкоджені чи заражені. Наступне зображення є прикладом із цього набору даних.
- Виявлення об'єктів – Цей набір даних демонструє локалізацію об’єктів для визначення місцезнаходження деталей, які використовуються у виробництві або виробничих лініях. Наприклад, в електронній промисловості Rekognition Custom Labels може допомогти підрахувати кількість конденсаторів на друкованій платі. Наступне зображення є прикладом із цього набору даних.
- Розпізнавання бренду та логотипу – Цей набір даних демонструє розміщення логотипів або брендів на зображенні. Наприклад, у медіаіндустрії модель виявлення об’єктів може допомогти визначити місце розташування логотипів спонсорів на фотографіях. Нижче наведено зразок зображення з цього набору даних.
- Класифікація зображень з однією міткою – Цей набір даних демонструє, як класифікувати зображення як належні до одного з набору попередньо визначених міток. Наприклад, компанії з нерухомості можуть використовувати користувацькі мітки Rekognition для класифікації своїх зображень віталень, задніх дворів, спалень та інших житлових приміщень. Нижче наведено зразок зображення з цього набору даних, який є частиною блокнота.
- Виконайте кроки в зошиті, пробігаючи кожну клітинку.
Цей блокнот демонструє, як ви можете використовувати один блокнот для вирішення випадків використання як класифікації зображень, так і виявлення об’єктів за допомогою API спеціальної мітки Rekognition.
Продовжуючи роботу з блокнотом, ви можете вибрати один із згаданих вище зразків наборів даних. Радимо вам спробувати запустити блокнот для кожного з наборів даних.
Висновок
У цій публікації ми показали вам, як використовувати Rekognition Custom Labels API для побудови класифікації зображень або моделі комп’ютерного бачення виявлення об’єктів для класифікації та ідентифікації об’єктів на зображеннях, які відповідають потребам вашого бізнесу. Щоб навчити модель, ви можете почати, надавши від десятків до сотень зображень із мітками замість тисяч. Rekognition Custom Labels спрощує навчання моделі, враховуючи такі параметри, як тип машини, тип алгоритму або специфічні для алгоритму гіперпараметри (включно з кількістю шарів у мережі, швидкістю навчання та розміром пакету). Спеціальні мітки Rekognition також спрощують розміщення навченої моделі та забезпечують просту операцію для виконання висновку з навченою моделлю.
Rekognition Custom Labels забезпечує просту у використанні консоль для процесу навчання, керування моделлю та візуалізації зображень набору даних. Ми радимо вам дізнатися більше про Розпізнавання спеціальних міток і спробуйте це з наборами даних для вашого бізнесу.
Щоб почати, ви можете перейти до блокнота Rekognition Custom Labels у прикладі SageMaker JumpStart.
Про авторів
Пашмін Містрі є старшим менеджером з продуктів Amazon Rekognition Custom Labels. Поза роботою Пашмін любить пригодницькі походи, фотографує та проводить час зі своєю родиною.
Абхішек Гупта є старшим архітектором рішень AI Services в AWS. Він допомагає клієнтам розробляти та впроваджувати рішення комп’ютерного зору.
- 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/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- тези
- через
- адреса
- AI
- Послуги ШІ
- алгоритм
- алгоритми
- вже
- Amazon
- Інтерфейси
- автоматизувати
- Автоматизація
- автомобільний
- AWS
- еталонний тест
- КРАЩЕ
- рада
- бренди
- будувати
- Створюємо
- Будує
- бізнес
- Може отримати
- кандидат
- який
- випадків
- вибір
- Вибирати
- класифікація
- Компанії
- комп'ютер
- Консоль
- створювати
- виготовлений на замовлення
- Клієнти
- дані
- десятиліття
- демонструвати
- розгортання
- розгорнути
- розгортання
- розгортання
- дизайн
- Виявлення
- розвивати
- розробників
- різний
- легко
- легкий у використанні
- електронної комерції
- електроніка
- заохочувати
- Кінцева точка
- енергія
- Що натомість? Створіть віртуальну версію себе у
- Навколишнє середовище
- особливо
- майно
- приклад
- існуючий
- досвід
- експертиза
- сім'я
- після
- Зростання
- керівництво
- допомога
- допомагає
- високоякісний
- хостинг
- домашнє господарство
- Як
- How To
- Однак
- HTTPS
- Сотні
- ідентифікувати
- зображення
- здійснювати
- включені
- У тому числі
- промисловості
- промисловість
- страхування
- інтерес
- інтерфейс
- залучений
- IT
- знання
- маркування
- етикетки
- УЧИТЬСЯ
- вивчення
- підйомний
- трохи
- життя
- розташування
- місць
- логотип
- машина
- навчання за допомогою машини
- Робить
- вдалося
- управління
- менеджер
- виробництво
- Медіа
- мільйони
- ML
- модель
- Моделі
- більше
- множинний
- потреби
- мережу
- ноутбук
- номер
- Відкриється
- операція
- варіант
- Інше
- частина
- продуктивність
- виконанні
- малюнок
- процес
- процеси
- Product
- Production
- забезпечувати
- забезпечує
- забезпечення
- швидко
- нерухомість
- зниження
- Вимога
- Вимагається
- результати
- роздрібна торгівля
- кімнати
- прогін
- біг
- Пошук
- обслуговування
- Послуги
- комплект
- простий
- Розмір
- невеликий
- рішення
- Рішення
- Вирішує
- деякі
- Витрати
- спонсор
- старт
- почалася
- студія
- взяття
- тест
- тисячі
- час
- Навчання
- поїзда
- Типи
- створеного
- використання
- різноманітність
- бачення
- візуалізації
- в
- Work