Amazon Recognition Custom Labels کے لیے ماڈل کاپی فیچر کے اجراء کا اعلان

ایمیزون ریکگنیشن کسٹم لیبلز ایک مکمل طور پر منظم کمپیوٹر ویژن سروس ہے جو ڈویلپرز کو اپنی مرضی کے مطابق ماڈل بنانے کی اجازت دیتی ہے تاکہ وہ تصاویر میں اشیاء کی درجہ بندی اور شناخت کر سکیں جو آپ کے کاروبار کے لیے مخصوص اور منفرد ہوں۔ شناخت کے حسب ضرورت لیبلز کے لیے آپ کو کمپیوٹر وژن کی پیشگی مہارت حاصل کرنے کی ضرورت نہیں ہے۔ مثال کے طور پر، آپ سوشل میڈیا پوسٹس میں اپنا لوگو تلاش کر سکتے ہیں، اسٹور شیلف پر اپنی مصنوعات کی شناخت کر سکتے ہیں، مشین کے پرزوں کو اسمبلی لائن میں درجہ بندی کر سکتے ہیں، صحت مند اور متاثرہ پودوں میں فرق کر سکتے ہیں، یا ویڈیوز میں متحرک کرداروں کا پتہ لگا سکتے ہیں۔

تصاویر کا تجزیہ کرنے کے لیے حسب ضرورت ماڈل تیار کرنا ایک اہم کام ہے جس کے لیے وقت، مہارت اور وسائل درکار ہوتے ہیں، اکثر اسے مکمل ہونے میں مہینوں لگتے ہیں۔ مزید برآں، ماڈل کو درست طریقے سے فیصلے کرنے کے لیے کافی ڈیٹا فراہم کرنے کے لیے اسے اکثر ہزاروں یا دسیوں ہزار ہاتھ سے لیبل والی تصاویر کی ضرورت ہوتی ہے۔ اس ڈیٹا کو بنانے میں مہینوں لگ سکتے ہیں اور اسے مشین لرننگ (ML) میں استعمال کے لیے تیار کرنے کے لیے لیبلرز کی بڑی ٹیموں کی ضرورت ہوتی ہے۔

شناخت حسب ضرورت لیبلز کی موجودہ صلاحیتوں کو تیار کرتا ہے۔ ایمیزون پہچان۔، جو پہلے ہی کئی زمروں میں دسیوں لاکھوں تصاویر پر تربیت یافتہ ہیں۔ ہزاروں تصاویر کے بجائے، آپ کو صرف تربیتی تصاویر کا ایک چھوٹا سیٹ اپ لوڈ کرنے کی ضرورت ہے (عام طور پر چند سو تصاویر یا اس سے کم) جو Amazon Recognition کنسول کا استعمال کرتے ہوئے آپ کے استعمال کے معاملے کے لیے مخصوص ہیں۔ اگر تصاویر پر پہلے ہی لیبل لگا ہوا ہے، تو آپ صرف چند کلکس میں ماڈل کی تربیت شروع کر سکتے ہیں۔ اگر نہیں، تو آپ انہیں براہ راست Recognition Custom Labels کنسول پر لیبل لگا سکتے ہیں، یا استعمال کر سکتے ہیں۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ انہیں لیبل کرنے کے لئے. ریکگنیشن کسٹم لیبلز ٹریننگ ڈیٹا کا خود بخود معائنہ کرنے، صحیح ماڈل فریم ورک اور الگورتھم کو منتخب کرنے، ہائپر پیرامیٹر کو بہتر بنانے، اور ماڈل کو تربیت دینے کے لیے ٹرانسفر لرننگ کا استعمال کرتے ہیں۔ جب آپ ماڈل کی درستگی سے مطمئن ہو جائیں تو، آپ صرف ایک کلک کے ساتھ تربیت یافتہ ماڈل کی میزبانی شروع کر سکتے ہیں۔

آج ہمیں Recognition Custom Labels ماڈل کاپی فیچر کے آغاز کا اعلان کرتے ہوئے خوشی ہو رہی ہے۔ یہ خصوصیت آپ کو اپنے ریکگنیشن کسٹم لیبلز کے ماڈلز کو تمام پروجیکٹس میں کاپی کرنے کی اجازت دیتی ہے، جو کہ ایک ہی AWS اکاؤنٹ میں یا AWS ریجن میں AWS اکاؤنٹس میں ہو سکتے ہیں، ماڈلز کو دوبارہ تربیت دیے بغیر۔ یہ نئی قابلیت آپ کے لیے مختلف ماحول جیسے کہ ترقی، کوالٹی اشورینس، انضمام، اور پروڈکشن کے ذریعے ریکگنیشن کسٹم لیبلز کے ماڈلز کو منتقل کرنا آسان بناتی ہے اور اصل تربیت اور ڈیٹا سیٹس کی جانچ کرنے اور ماڈل کو دوبارہ تربیت دینے کی ضرورت کے بغیر۔ آپ استعمال کر سکتے ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) تمام پروجیکٹس میں تربیت یافتہ ماڈلز کو کاپی کرنے کے لیے، جو ایک ہی AWS اکاؤنٹ یا AWS اکاؤنٹس میں ہو سکتے ہیں۔

اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ ایک ہی AWS ریجن میں مختلف AWS اکاؤنٹس کے درمیان ماڈل کیسے کاپی کریں۔

ماڈل کاپی فیچر کے فوائد

اس نئی خصوصیت کے درج ذیل فوائد ہیں:

• ملٹی اکاؤنٹ ML-Ops بہترین طرز عمل - آپ ایک بار ایک ماڈل کو تربیت دے سکتے ہیں اور متعدد اکاؤنٹس میں مستقل نتائج کے ساتھ پیشین گوئی کی تعیناتی کو یقینی بنا سکتے ہیں جو کہ مختلف ماحول جیسے کہ ترقی، کوالٹی اشورینس، انضمام، اور پروڈکشن میں آپ کو ML-Ops کے بہترین طریقوں پر عمل کرنے کی اجازت دیتا ہے۔
• لاگت کی بچت اور تیزی سے تعیناتی۔ - آپ اکاؤنٹس کے درمیان تربیت یافتہ ماڈل کو تیزی سے کاپی کر سکتے ہیں، ہر اکاؤنٹ میں دوبارہ تربیت دینے میں لگنے والے وقت سے گریز کرتے ہوئے اور ماڈل کی دوبارہ تربیت کی لاگت کو بچا سکتے ہیں۔
• حساس ڈیٹاسیٹس کی حفاظت کریں۔ - اب آپ کو مختلف AWS اکاؤنٹس یا صارفین کے درمیان ڈیٹا سیٹس کا اشتراک کرنے کی ضرورت نہیں ہے۔ تربیت کا ڈیٹا صرف AWS اکاؤنٹ پر دستیاب ہونا ضروری ہے جہاں ماڈل ٹریننگ کی جاتی ہے۔ یہ بعض صنعتوں کے لیے بہت اہم ہے، جہاں کاروبار یا ریگولیٹری تقاضوں کو پورا کرنے کے لیے ڈیٹا کو الگ تھلگ کرنا ضروری ہے۔
• آسان تعاون - پارٹنرز یا وینڈرز اب آسانی سے اپنے AWS اکاؤنٹ میں Amazon Recognition Custom Labels ماڈل کو تربیت دے سکتے ہیں اور AWS اکاؤنٹس کے صارفین کے ساتھ ماڈلز کا اشتراک کر سکتے ہیں۔
• مستقل کارکردگی - ماڈل کی کارکردگی اب مختلف AWS اکاؤنٹس میں یکساں ہے۔ ماڈل ٹریننگ عام طور پر غیر متزلزل ہوتی ہے اور ایک ہی ڈیٹاسیٹ کے ساتھ تربیت یافتہ دو ماڈلز یکساں کارکردگی کے اسکورز اور یکساں پیشین گوئیوں کی ضمانت نہیں دیتے ہیں۔ ماڈل کو کاپی کرنے سے اس بات کو یقینی بنانے میں مدد ملتی ہے کہ کاپی شدہ ماڈل کا رویہ ماخذ ماڈل کے ساتھ مطابقت رکھتا ہے اور ماڈل کو دوبارہ جانچنے کی ضرورت کو ختم کرتا ہے۔

حل جائزہ

درج ذیل خاکہ ہمارے حل کے فن تعمیر کو واضح کرتا ہے۔

یہ پوسٹ فرض کرتی ہے کہ آپ کے پاس اپنے ماخذ اکاؤنٹ میں ایک تربیت یافتہ Recognition Custom Labels ماڈل ہے۔ ہدایات کے لیے، رجوع کریں۔ Amazon Recognition Custom Labels کے ساتھ ایک حسب ضرورت سنگل کلاس آبجیکٹ کا پتہ لگانے والے ماڈل کی تربیت. اس پوسٹ میں، ہم نے شناختی حسب ضرورت لیبلز سے تصویری درجہ بندی "کمرے" پروجیکٹ کا استعمال کیا۔ نمونے کے منصوبوں کی فہرست اور کچن، باتھ رومز، لونگ رومز وغیرہ کی تصاویر کی درجہ بندی کرنے کے لیے سورس اکاؤنٹ میں کمرے کی درجہ بندی کے ماڈل کو تربیت دی۔

ماڈل کاپی فیچر کی فعالیت کو ظاہر کرنے کے لیے، ہم سورس اکاؤنٹ میں درج ذیل مراحل سے گزرتے ہیں:

1. ماڈل شروع کریں اور نمونے کی تصاویر پر انفرنسز چلائیں۔
2. Recognition Custom Labels ماڈل کو کاپی کرنے کے لیے کراس اکاؤنٹ تک رسائی کی اجازت دینے کے لیے وسائل پر مبنی پالیسی کی وضاحت کریں۔

پھر ہم ٹارگٹ اکاؤنٹ میں سورس ماڈل کاپی کرتے ہیں۔

3. بنائیں ایک ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی، جو ماڈل کی تشخیص اور کارکردگی کے اعدادوشمار کے لیے ایک کنٹینر کے طور پر کام کرتی ہے۔
4. ایک پروجیکٹ بنائیں۔
5. تربیت یافتہ ماڈل کو سورس اکاؤنٹ سے ٹارگٹ اکاؤنٹ میں کاپی کریں۔
6. ماڈل شروع کریں اور نمونے کی تصاویر پر اندازہ لگائیں۔
7. تصدیق کریں کہ تخمینہ کے نتائج ماخذ اکاؤنٹ ماڈل کے نتائج سے مماثل ہیں۔

شرائط

اپنے ماخذ اکاؤنٹ میں تربیت یافتہ ماڈل رکھنے کے علاوہ، یقینی بنائیں کہ آپ نے درج ذیل ضروری مراحل کو مکمل کیا ہے:

1. AWS CLI V2 انسٹال کریں۔
2. اپنے AWS CLI کو درج ذیل کوڈ کے ساتھ ترتیب دیں اور اپنا علاقہ درج کریں:

   aws configure

3. اس بات کو یقینی بنانے کے لیے درج ذیل کمانڈز چلائیں کہ آپ کے مقامی میزبان پر AWS CLI ورژن 2.xx انسٹال ہے:

   aws --version

4. کے تحت AWS اسناد کی فائل کو اپ ڈیٹ کریں۔ $HOME/.aws/credentials درج ذیل اندراج کے ساتھ:

   [source-account]
   aws_access_key_id = ####
   aws_secret_access_key = #######
   
   [target-account]
   aws_access_key_id = ####
   aws_secret_access_key = #######

5. حاصل کریں ProjectArn اور ProjectVersionArn ماخذ AWS اکاؤنٹ کے لیے۔ProjectArn آپ کے سورس ماڈل سے وابستہ پروجیکٹ ہے۔ ProjectVersionArn اس ماڈل کا ورژن ہے جسے آپ ٹارگٹ اکاؤنٹ میں کاپی کرنے میں دلچسپی رکھتے ہیں۔ آپ اسے تلاش کر سکتے ہیں۔ SourceProjectArn مندرجہ ذیل کمانڈ کا استعمال کرتے ہوئے:

   aws rekognition describe-projects 
   --region us-east-1 
   --profile source-account
   
   {
       "ProjectDescriptions": [{
           "ProjectArn": "arn:aws:rekognition:us-east-1::111111111111:project/rooms_1/1657588855531",
           .
           .
       }]
   }

   اگر آپ کو آؤٹ پٹ کی متعدد لائنیں نظر آتی ہیں، تو منتخب کریں۔ ProjectArn جس ماڈل کو آپ کاپی کرنے جا رہے ہیں اس سے وابستہ ہے۔

   آپ تلاش کر سکتے ہیں SourceProjectVersionArn اس ماڈل کے لیے جسے آپ نے استعمال کرتے ہوئے تربیت دی ہے۔ SourceProjectArn (پچھلا آؤٹ پٹ) کو تبدیل کریں۔ SourceProjectArn درج ذیل کمانڈ میں:

   aws rekognition describe-project-versions 
   --project-arn SourceProjectArn 
   --region us-east-1 
   --profile source-account

   کمانڈ واپس کرتا ہے۔ SourceProjectVersionArn. اگر آپ کو آؤٹ پٹ کی متعدد لائنیں نظر آتی ہیں، تو منتخب کریں۔ ProjectVersionArn دلچسپی

   {
       "ProjectVersionDescriptions": [
           {
               "ProjectVersionArn": "arn:aws:rekognition:us-east-1:111111111111:project/rooms_1/version/rooms_1.2022-07-12T09.39.36/1657643976475",
               .
               .
           }
       ]
   }

اب آپ حل کو نافذ کرنے کے لیے اقدامات کرنے کے لیے تیار ہیں۔ کی اقدار کو تبدیل کریں۔ SourceProjectArn اور SourceProjectVersionArn درج ذیل کمانڈز میں ان اقدار کے ساتھ جو آپ نے تیار کی ہیں۔

1. ماڈل شروع کریں اور نمونے کی تصاویر پر تخمینہ چلائیں۔

ماخذ اکاؤنٹ میں، ماڈل شروع کرنے کے لیے درج ذیل کوڈ درج کریں:

aws rekognition start-project-version 
--project-version-arn SourceProjectVersionArn 
--min-inference-units 1 
--region us-east-1 
--profile source-account
{
    "Status": "STARTING"
}

ماڈل کی میزبانی کے بعد اور چلنے والی حالت میں، آپ تخمینہ چلا سکتے ہیں۔

ہم نے اندازہ لگانے کے لیے درج ذیل تصاویر (demo1.jpeg اور demo2.jpeg) کا استعمال کیا۔ یہ تصاویر ہمارے مقامی فائل سسٹم میں اسی ڈائرکٹری میں موجود ہیں جہاں سے AWS CLI کمانڈز چلائی جا رہی ہیں۔

مندرجہ ذیل تصویر demo1.jpeg ہے، جو ایک پچھواڑے کو دکھاتی ہے۔

درج ذیل انفرنس کوڈ اور آؤٹ پٹ دیکھیں:

aws rekognition detect-custom-labels 
--project-version-arn SourceProjectVersionArn   
--image-bytes fileb://demo1.jpeg 
--region us-east-1 
--profile source-account
{
    "Name": "backyard",
    "Confidence": 45.77000045776367
 }

مندرجہ ذیل تصویر demo2.jpeg ہے، جو ایک بیڈروم دکھاتی ہے۔

درج ذیل انفرنس کوڈ اور آؤٹ پٹ دیکھیں:

aws rekognition detect-custom-labels 
--project-version-arn SourceProjectVersionArn   
--image-bytes fileb://demo2.jpeg 
--region us-east-1 
--profile source-account
{
    "Name": "bedroom",
    "Confidence": 61.84600067138672
 }

تخمینہ کے نتائج ظاہر کرتے ہیں کہ تصویر کا تعلق کلاسز سے ہے۔ backyard اور bedroomبالترتیب 45.77 اور 61.84 کے اعتماد کے اسکور کے ساتھ۔

2. کراس اکاؤنٹ تک رسائی کی اجازت دینے کے لیے تربیت یافتہ ماڈل کے لیے IAM وسائل کی پالیسی کی وضاحت کریں۔

اپنی وسائل پر مبنی IAM پالیسی بنانے کے لیے، سورس اکاؤنٹ میں درج ذیل مراحل کو مکمل کریں:

1. اپنے مخصوص AWS اکاؤنٹ کو فراہم کردہ IAM وسائل کی پالیسی کا استعمال کرتے ہوئے وسائل تک رسائی کی اجازت دیں (مزید معلومات کے لیے، ملاحظہ کریں۔ ایک پروجیکٹ پالیسی دستاویز بنانا. کے لیے اقدار کو تبدیل کریں۔ TargetAWSAccountId اور SourceProjectVersionArn مندرجہ ذیل پالیسی میں:

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Principal": {
                   "AWS": [ "TargetAWSAccountId" ]
               },
               "Action": "Rekognition:CopyProjectVersion",
               "Resource": "SourceProjectVersionArn",
               "Effect": "Allow"
           }
       ]
   }

2. مندرجہ ذیل کمانڈ کو کال کرکے منبع اکاؤنٹ میں پالیسی کو پروجیکٹ سے منسلک کریں۔

   aws rekognition put-project-policy 
   --project-arn SourceProjectArn 
   --policy-name PolicyName 
   --policy-document '{
       "Version": "2012-10-17",
       "Statement": [
           {
               "Principal": {
                   "AWS": [ "TargetAWSAccountId" ]
               },
               "Action": "Rekognition:CopyProjectVersion",
               "Resource": "SourceProjectVersionArn",
               "Effect": "Allow"
           }
       ]
   }' 
   --region us-east-1 
   --profile source-account

   بدل SourceProjectArn, PolicyName, TargetAWSAccountId، اور SourceProjectVersionArn.

   آؤٹ پٹ پالیسی پر نظرثانی کی ID کو ظاہر کرتا ہے:

   {
       "PolicyRevisionId": "f95907f9c1472c114f61b0e1f31ed131"
   }

اب ہم تربیت یافتہ ماڈل کو سورس اکاؤنٹ سے ٹارگٹ اکاؤنٹ میں کاپی کرنے کے لیے تیار ہیں۔.

3. ہدف اکاؤنٹ میں ایک S3 بالٹی بنائیں

آپ اپنے اکاؤنٹ میں موجودہ S3 بالٹی استعمال کر سکتے ہیں یا ایک نئی S3 بالٹی بنا سکتے ہیں۔ اس پوسٹ کے لیے، ہم اسے S3 بالٹی کہتے ہیں۔ DestinationS3Bucket.

4. ایک نیا Recognition Custom Labels پروجیکٹ بنائیں

درج ذیل کوڈ کے ساتھ ایک نیا پروجیکٹ بنائیں:

aws rekognition create-project 
--project-name target_rooms_1 
--region us-east-1 
--profile target-account 

یہ تخلیق کرتا ہے a TargetProjectArn ہدف اکاؤنٹ میں:

{
    "ProjectArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/1657599660206"
}

منزل کے منصوبے کی قدر کو نوٹ کریں۔ ProjectArn میدان ہم اس قدر کو درج ذیل کاپی ماڈل کمانڈ میں استعمال کرتے ہیں۔

5. ماڈل کو سورس اکاؤنٹ سے ٹارگٹ اکاؤنٹ میں کاپی کریں۔

ذریعہ اور ہدف فراہم کریں۔ ProjectArn، ذریعہ ProjectVersionArn، اور درج ذیل کوڈ میں ہدف S3 بالٹی اور S3 کلیدی سابقہ:

aws rekognition copy-project-version 
--source-project-arn SourceProjectArn 
--source-project-version-arn SourceProjectVersionArn 
--destination-project-arn TargetProjectArn 
--version-name TargetVersionName 
--output-config '{"S3Bucket":"DestinationS3Bucket", "S3KeyPrefix":"DestinationS3BucketPrefix"}' 
--region us-east-1 
--profile target-account

یہ ایک کاپی شدہ ماڈل بناتا ہے۔ TargetProjectVersionArn ہدف کے اکاؤنٹ میں. دی TargetVersionName ہمارے معاملے میں نامزد کیا گیا ہے copy_rooms_1:

{
    "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079"
}

ماڈل کاپی کے عمل کی حیثیت کو چیک کریں:

aws rekognition describe-project-versions 
--project-arn TargetProjectArn 
--version-names TargetVersionName 
--region us-east-1 
--profile target-account

ماخذ اکاؤنٹ سے ٹارگٹ اکاؤنٹ میں ماڈل کاپی مکمل ہو جاتی ہے جب Status میں تبدیلیاں COPYING_COMPLETED:

 {
    "ProjectVersionDescriptions": [
        {
            "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079",
            "CreationTimestamp": "2022-07-12T16:17:57.079000-07:00",
            "Status": "COPYING_COMPLETED",
            "StatusMessage": "Model copy operation was successful",
            ..........
            ..........
            "EvaluationResult": {
                "F1Score": 0.0,
                "Summary": {

6. ماڈل شروع کریں اور تخمینہ چلائیں۔

ٹارگٹ اکاؤنٹ میں ماڈل شروع کرنے کے لیے درج ذیل کوڈ درج کریں:

aws rekognition start-project-version 
--project-version-arn TargetProjectArn 
--min-inference-units 1 
--region us-east-1 
--profile target-account
{
    "Status": "STARTING"
}

ماڈل کی حیثیت کو چیک کریں:

aws rekognition describe-project-versions 
--project-arn TargetProjectArn 
--version-names copy_rooms_1 
--region us-east-1 
--profile target-account

ماڈل اب ہوسٹ اور چل رہا ہے:

{
    "ProjectVersionDescriptions": [
        {
            "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079",
            "CreationTimestamp": "2022-07-12T16:17:57.079000-07:00",
            "MinInferenceUnits": 1,
            "Status": "RUNNING",
            "StatusMessage": "The model is running.",
            ..........
            ..........
        }
    ]
}

درج ذیل کوڈ کے ساتھ اندازہ چلائیں:

aws rekognition detect-custom-labels 
 --project-version-arn TargetProjectVersionArn 
 --image-bytes fileb://demo1.jpeg 
 --region us-east-1 
 --profile target-account
{
    "Name": "backyard",
    "Confidence": 45.77000045776367
 }
aws rekognition detect-custom-labels 
 --project-version-arn TargetProjectVersionArn 
 --image-bytes fileb://demo2.jpeg 
 --region us-east-1 
 --profile target-account
{
    "Name": "bedroom",
    "Confidence": 61.84600067138672

7. نتائج کے مماثلت کی تصدیق کریں۔

ٹارگٹ اکاؤنٹ میں تصاویر demo1.jpg اور demo2.jpg کے لیے کلاسز اور اعتماد کے اسکورز کو سورس اکاؤنٹ کے نتائج سے مماثل ہونا چاہیے۔

نتیجہ

اس پوسٹ میں، ہم نے ریکوگنیشن کسٹم لیبل ماڈل کاپی فیچر کا مظاہرہ کیا۔ یہ خصوصیت آپ کو ایک اکاؤنٹ میں درجہ بندی یا آبجیکٹ کا پتہ لگانے کے ماڈل کو تربیت دینے اور پھر اسی علاقے میں دوسرے اکاؤنٹ کے ساتھ ماڈل کا اشتراک کرنے کے قابل بناتی ہے۔ یہ ملٹی اکاؤنٹس کی حکمت عملی کو آسان بناتا ہے جہاں ماڈل کو ایک بار تربیت دی جا سکتی ہے اور تربیتی ڈیٹا سیٹس کو دوبارہ تربیت یا اشتراک کیے بغیر ایک ہی علاقے کے اکاؤنٹس کے درمیان شیئر کیا جا سکتا ہے۔ یہ آپ کے MLOps ورک فلو کے حصے کے طور پر ہر اکاؤنٹ میں قابل پیشن گوئی کی تعیناتی کی اجازت دیتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون ریکگنیشن کسٹم لیبلز ماڈل کو کاپی کرنا، یا AWS CLI کے ساتھ کلاؤڈ شیل کا استعمال کرتے ہوئے اس پوسٹ میں واک تھرو آزمائیں۔

اس تحریر کے مطابق، Amazon Recognition Custom Labels میں ماڈل کاپی فیچر درج ذیل خطوں میں دستیاب ہے:

• یو ایس ایسٹ (اوہائیو)
• یو ایس ایسٹ (این ورجینیا)
• یو ایس ویسٹ (اوریگون)
• ایشیا پیسفک (ممبئی)
• ایشیا پیسفک (سیول)
• ایشیا پیسفک (سنگاپور)
• ایشیا پیسیفک (سڈنی)
• ایشیا پیسفک (ٹوکیو)
• یورپی یونین (فرینکفرٹ)
• EU (آئرلینڈ)
• یورپی یونین (لندن)

خصوصیت کو آزمائیں، اور براہ کرم ہمیں یا تو کے ذریعے رائے بھیجیں۔ AWS فورم Amazon Recognition کے لیے یا آپ کے AWS سپورٹ رابطوں کے ذریعے۔

مصنفین کے بارے میں

امت گپتا AWS میں ایک سینئر AI سروسز سلوشنز آرکیٹیکٹ ہیں۔ وہ بڑے پیمانے پر اچھی طرح سے تعمیر شدہ مشین لرننگ سلوشنز کے ساتھ صارفین کو فعال کرنے کا پرجوش ہے۔

یوگیش چترویدی کمپیوٹر ویژن پر توجہ کے ساتھ AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ کلاؤڈ ٹیکنالوجیز کا استعمال کرتے ہوئے گاہکوں کے ساتھ ان کے کاروباری چیلنجوں سے نمٹنے کے لیے کام کرتا ہے۔ کام سے باہر، وہ پیدل سفر، سفر، اور کھیل دیکھنے سے لطف اندوز ہوتا ہے۔

آکاش دیپ AWS کے ساتھ ایک سینئر سافٹ ویئر انجینئر ہے۔ اسے کمپیوٹر وژن، AI، اور تقسیم شدہ نظاموں پر کام کرنا پسند ہے۔ کام سے باہر، وہ پیدل سفر اور سفر سے لطف اندوز ہوتا ہے۔

پشمین مستری ایمیزون ریکگنیشن کسٹم لیبلز کے سینئر پروڈکٹ مینیجر ہیں۔ کام سے باہر، پشمین کو مہم جوئی کے سفر، فوٹو گرافی، اور اپنے خاندان کے ساتھ وقت گزارنے کا لطف آتا ہے۔