ایمیزون ریکگنیشن کسٹم لیبلز کے ساتھ نشانات کی نشاندہی کرنا

ایمیزون پہچان۔ ایک کمپیوٹر ویژن سروس ہے جو ثابت شدہ، انتہائی قابل توسیع، گہری سیکھنے والی ٹیکنالوجی کا استعمال کرتے ہوئے آپ کی ایپلی کیشنز میں تصویر اور ویڈیو کا تجزیہ شامل کرنا آسان بناتی ہے جس کے لیے مشین لرننگ (ML) مہارت کی ضرورت نہیں ہے۔ Amazon Recognition کے ساتھ، آپ تصاویر اور ویڈیوز میں اشیاء، لوگوں، متن، مناظر اور سرگرمیوں کی شناخت کر سکتے ہیں اور نامناسب مواد کا پتہ لگا سکتے ہیں۔ Amazon Recognition انتہائی درست چہرے کا تجزیہ اور چہرے کی تلاش کی صلاحیتیں بھی فراہم کرتا ہے جسے آپ استعمال کے مختلف کیسز کے لیے چہروں کا پتہ لگانے، تجزیہ کرنے اور موازنہ کرنے کے لیے استعمال کر سکتے ہیں۔

ایمیزون ریکگنیشن کسٹم لیبلز Amazon Recognition کی ایک خصوصیت ہے جو آپ کی اپنی مخصوص ML-based image analysis کی صلاحیتوں کو تیار کرنا آسان بناتی ہے تاکہ آپ کے مخصوص استعمال کے معاملے میں اٹوٹ منفرد اشیاء اور مناظر کا پتہ لگایا جا سکے۔

Recognition Custom Labels کے کچھ عام استعمال کے معاملات میں سوشل میڈیا پوسٹس میں آپ کا لوگو تلاش کرنا، اسٹور شیلف پر آپ کی مصنوعات کی شناخت کرنا، اسمبلی لائن میں مشین کے پرزوں کی درجہ بندی کرنا، صحت مند اور متاثرہ پودوں کے درمیان فرق کرنا اور بہت کچھ شامل ہے۔

ایمیزون ریکگنیشن لیبلز بروکلین برج، کولوزیم، ایفل ٹاور، ماچو پچو، تاج محل جیسے مشہور مقامات کی حمایت کرتا ہے۔، اور مزید. اگر آپ کے پاس دیگر نشانات یا عمارتیں ہیں جو ابھی تک Amazon Recognition کے ذریعے تعاون یافتہ نہیں ہیں، تو آپ اب بھی Amazon Recognition Custom Labels استعمال کر سکتے ہیں۔

اس پوسٹ میں، ہم سیٹل میں Amazon Spheres کی عمارت کا پتہ لگانے کے لیے Recognition Custom Labels کے استعمال کا مظاہرہ کرتے ہیں۔

Recognition Custom Labels کے ساتھ، AWS آپ کے لیے بھاری لفٹنگ کا خیال رکھتا ہے۔ Recognition Custom Labels Amazon Recognition کی موجودہ صلاحیتوں کو تیار کرتا ہے، جو پہلے ہی کئی زمروں میں دسیوں ملین تصاویر پر تربیت یافتہ ہے۔ 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 ہمارے سیدھے کنسول کے ذریعے آپ کے استعمال کے معاملے کے لیے مخصوص ہیں۔ Amazon Recognition صرف چند کلکس میں تربیت شروع کر سکتا ہے۔ Amazon Recognition کے آپ کے تصویری سیٹ سے تربیت شروع کرنے کے بعد، یہ چند منٹوں یا گھنٹوں میں آپ کے لیے حسب ضرورت تصویری تجزیہ کا ماڈل تیار کر سکتا ہے۔ پردے کے پیچھے، Recognition Custom Labels خود بخود ٹریننگ ڈیٹا کو لوڈ اور معائنہ کرتا ہے، مناسب ML الگورتھم کا انتخاب کرتا ہے، ایک ماڈل کو تربیت دیتا ہے، اور ماڈل کی کارکردگی کے میٹرکس فراہم کرتا ہے۔ اس کے بعد آپ اپنا حسب ضرورت ماڈل Recognition Custom Labels API کے ذریعے استعمال کر سکتے ہیں اور اسے اپنی ایپلی کیشنز میں ضم کر سکتے ہیں۔

حل جائزہ

ہماری مثال کے طور پر، ہم استعمال کرتے ہیں Amazon Spheres سیٹل میں عمارت ہم Recognition Custom Labels کا استعمال کرتے ہوئے ایک ماڈل کو تربیت دیتے ہیں۔ جب بھی اسی طرح کی تصاویر استعمال کی جاتی ہیں، الگورتھم کو اس کی شناخت کرنی چاہیے۔ Amazon Spheres بجائے Dome, Architecture, Glass building، یا دیگر لیبلز۔

آئیے سب سے پہلے Amazon Recognition کے لیبل کا پتہ لگانے کی خصوصیت کو استعمال کرنے کی ایک مثال دکھائیں، جہاں ہم بغیر کسی حسب ضرورت تربیت کے Amazon Spheres کی تصویر کو فیڈ کرتے ہیں۔ ہم لیبل کا پتہ لگانے کا ڈیمو کھولنے اور اپنی تصویر اپ لوڈ کرنے کے لیے Amazon Recognition کنسول کا استعمال کرتے ہیں۔

تصویر کو اپ لوڈ اور تجزیہ کرنے کے بعد، ہم ان کے اعتماد کے اسکور کے ساتھ لیبل دیکھتے ہیں۔ نتائج کی نمائش. اس معاملے میں، Dome 99.2% کے اعتماد سکور کے ساتھ پتہ چلا، Architecture 99.2٪ کے ساتھ ، Building 99.2٪ کے ساتھ ، Metropolis 79.4٪ کے ساتھ، اور اسی طرح.

ہم کمپیوٹر ویژن ماڈل تیار کرنے کے لیے اپنی مرضی کے مطابق لیبلنگ کا استعمال کرنا چاہتے ہیں جو تصویر کو لیبل کر سکے۔ Amazon Spheres.

مندرجہ ذیل حصوں میں، ہم آپ کو آپ کے ڈیٹاسیٹ کی تیاری، شناخت کے حسب ضرورت لیبلز پروجیکٹ بنانے، ماڈل کی تربیت، نتائج کا جائزہ لینے، اور اضافی تصاویر کے ساتھ اس کی جانچ کرنے کے بارے میں بتاتے ہیں۔

شرائط

اقدامات کے ساتھ شروع کرنے سے پہلے، وہاں ہیں کوٹہ شناخت کے حسب ضرورت لیبلز کے لیے جن سے آپ کو آگاہ ہونا ضروری ہے۔ اگر آپ حدود کو تبدیل کرنا چاہتے ہیں، تو آپ درخواست کر سکتے ہیں a سروس کی حد میں اضافہ.

اپنا ڈیٹا سیٹ بنائیں

اگر یہ آپ کی پہلی بار شناخت کے کسٹم لیبلز کا استعمال کر رہی ہے، تو آپ کو ایک بنانے کے لیے کہا جائے گا۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) آپ کے ڈیٹاسیٹ کو ذخیرہ کرنے کے لیے بالٹی۔

اس بلاگ کے مظاہرے کے لیے، ہم نے Amazon Spheres کی تصاویر استعمال کی ہیں، جو ہم نے سیٹل، WA کے دورے کے دوران حاصل کی تھیں۔ اپنی ضرورت کے مطابق بلا جھجھک اپنی تصاویر استعمال کریں۔

اپنے ڈیٹاسیٹ کو نئی بنی ہوئی بالٹی میں کاپی کریں، جو آپ کی تصاویر کو ان کے متعلقہ سابقہ ​​جات میں محفوظ کرتا ہے۔

ایک پروجیکٹ بنائیں

اپنا ریکگنیشن کسٹم لیبل پروجیکٹ بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. Recognition Custom Labels کنسول پر، منتخب کریں۔ ایک پروجیکٹ بنائیں.
2. کے لئے پروجیکٹ کا نام، ایک نام درج کریں۔
3. میں سے انتخاب کریں منصوبے بنائیں.
   
   اب ہم آپ کی تربیت اور ٹیسٹ ڈیٹاسیٹ کی ترتیب اور راستہ بتاتے ہیں۔
4. میں سے انتخاب کریں ڈیٹاسیٹ بنائیں.
   

آپ ایک ایسے پروجیکٹ کے ساتھ شروع کر سکتے ہیں جس میں ایک ڈیٹا سیٹ ہو، یا ایسا پروجیکٹ جس میں علیحدہ ٹریننگ اور ٹیسٹ ڈیٹا سیٹس ہوں۔ اگر آپ کسی ایک ڈیٹاسیٹ کے ساتھ شروع کرتے ہیں، تو Recognition Custom Labels آپ کے ڈیٹاسیٹ کو ٹریننگ کے دوران تقسیم کرتا ہے تاکہ آپ کے پروجیکٹ کے لیے ایک ٹریننگ ڈیٹاسیٹ (80%) اور ٹیسٹ ڈیٹاسیٹ (20%) بنایا جا سکے۔

مزید برآں، آپ مندرجہ ذیل مقامات میں سے کسی ایک سے تصاویر درآمد کر کے کسی پروجیکٹ کے لیے ٹریننگ اور ٹیسٹ ڈیٹا سیٹس بنا سکتے ہیں۔

اس پوسٹ کے لیے، ہم Amazon Spheres کا اپنا ذاتی ڈیٹا سیٹ استعمال کرتے ہیں۔

1. منتخب کریں ایک ڈیٹا سیٹ کے ساتھ شروع کریں۔.
2. منتخب کریں S3 بالٹی سے تصاویر درآمد کریں۔.
   
3. کے لئے S3 URI، اپنی S3 بالٹی کا راستہ داخل کریں۔
4. اگر آپ چاہتے ہیں کہ Recognition Custom Labels آپ کے S3 بالٹی میں فولڈر کے ناموں کی بنیاد پر خود بخود آپ کے لیے تصاویر پر لیبل لگائیں، تو منتخب کریں۔ فولڈر کے نام کی بنیاد پر تصاویر کو خودکار طور پر تصویری سطح کے لیبل تفویض کریں۔.
   
5. میں سے انتخاب کریں ڈیٹاسیٹ بنائیں.

ایک صفحہ کھلتا ہے جو آپ کو ان کے لیبل کے ساتھ تصاویر دکھاتا ہے۔ اگر آپ کو لیبلز میں کوئی خامی نظر آتی ہے تو رجوع کریں۔ ڈیبگنگ ڈیٹاسیٹس.

ماڈل کو تربیت دیں۔

اپنے ڈیٹاسیٹ کا جائزہ لینے کے بعد، اب آپ ماڈل کو تربیت دے سکتے ہیں۔

1. میں سے انتخاب کریں ٹرین ماڈل.
2. کے لئے پروجیکٹ کا انتخاب کریں۔اپنے پروجیکٹ کے لیے ARN درج کریں اگر یہ پہلے سے درج نہیں ہے۔
3. میں سے انتخاب کریں ٹرین ماڈل.

میں ماڈل پروجیکٹ پیج کے سیکشن میں، آپ موجودہ اسٹیٹس کو چیک کر سکتے ہیں۔ ماڈل کی حیثیت کالم، جہاں تربیت جاری ہے۔ ٹریننگ کا وقت عام طور پر مکمل ہونے میں 30 منٹ سے 24 گھنٹے کا وقت لگتا ہے، یہ کئی عوامل پر منحصر ہوتا ہے جیسے کہ ٹریننگ سیٹ میں تصاویر کی تعداد اور لیبلز کی تعداد، اور آپ کے ماڈل کو تربیت دینے کے لیے استعمال ہونے والے ML الگورتھم کی اقسام۔

ماڈل ٹریننگ مکمل ہونے پر، آپ ماڈل کی حیثیت دیکھ سکتے ہیں۔ TRAINING_COMPLETED. اگر تربیت ناکام ہو جائے تو رجوع کریں۔ ایک ناکام ماڈل ٹریننگ کو ڈیبگ کرنا.

ماڈل کا اندازہ لگائیں۔

ماڈل کی تفصیلات کا صفحہ کھولیں۔ دی تشخیص ٹیب ہر لیبل کے لیے میٹرکس، اور پورے ٹیسٹ ڈیٹاسیٹ کے لیے اوسط میٹرک دکھاتا ہے۔

Recognition Custom Labels کنسول تربیت کے نتائج کے خلاصے کے طور پر اور ہر لیبل کے لیے میٹرکس کے طور پر درج ذیل میٹرکس فراہم کرتا ہے:

آپ انفرادی تصاویر کے لیے اپنے تربیت یافتہ ماڈل کے نتائج دیکھ سکتے ہیں، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔

ماڈل کی جانچ کریں۔

اب جب کہ ہم نے جانچ کے نتائج دیکھ لیے ہیں، ہم ماڈل شروع کرنے اور نئی تصاویر کا تجزیہ کرنے کے لیے تیار ہیں۔

آپ پر ماڈل شروع کر سکتے ہیں ماڈل استعمال کریں ریکوگنیشن کسٹم لیبلز کنسول پر ٹیب، یا استعمال کرکے StartProject Version کے ذریعے آپریشن AWS کمانڈ لائن انٹرفیس (AWS CLI) یا Python SDK۔

جب ماڈل چل رہا ہے، ہم استعمال کر کے نئی تصاویر کا تجزیہ کر سکتے ہیں۔ ڈیٹیکٹ کسٹم لیبلز API سے نتیجہ DetectCustomLabels ایک پیشین گوئی ہے کہ تصویر میں مخصوص اشیاء، مناظر یا تصورات شامل ہیں۔ درج ذیل کوڈ دیکھیں:

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

آؤٹ پٹ میں، آپ لیبل کو اس کے اعتماد کے اسکور کے ساتھ دیکھ سکتے ہیں:

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

جیسا کہ آپ نتیجہ سے دیکھ سکتے ہیں، صرف چند سادہ کلکس کے ساتھ، آپ درست لیبلنگ کے نتائج حاصل کرنے کے لیے Recognition Custom Labels کا استعمال کر سکتے ہیں۔ آپ اسے تصویر کے استعمال کے بہت سے معاملات کے لیے استعمال کر سکتے ہیں، جیسے کہ کھانے کی مصنوعات، پالتو جانوروں، مشین کے پرزوں اور مزید کے لیے حسب ضرورت لیبلنگ کی شناخت کرنا۔

صاف کرو

اس پوسٹ کے حصے کے طور پر اپنے بنائے گئے وسائل کو صاف کرنے اور کسی بھی ممکنہ بار بار آنے والے اخراجات سے بچنے کے لیے، درج ذیل اقدامات کو مکمل کریں:

1. پر ماڈل استعمال کریں ٹیب، ماڈل کو روکو.
   متبادل طور پر، آپ کا استعمال کرتے ہوئے ماڈل کو روک سکتے ہیں۔ اسٹاپ پروجیکٹ ورژن AWS CLI یا Python SDK کے ذریعے آپریشن۔ ماڈل کے آنے تک انتظار کریں۔ Stopped اگلے مراحل پر جانے سے پہلے بیان کریں۔
2. ماڈل کو حذف کریں۔.
3. پروجیکٹ کو حذف کریں۔.
4. ڈیٹاسیٹ کو حذف کریں۔.
5. خالی S3 بالٹی مواد اور حذف بالٹی

نتیجہ

اس پوسٹ میں، ہم نے دکھایا کہ عمارت کی تصویروں کا پتہ لگانے کے لیے شناخت کے کسٹم لیبلز کو کیسے استعمال کیا جائے۔

آپ اپنے حسب ضرورت تصویری ڈیٹاسیٹس کے ساتھ شروع کر سکتے ہیں، اور Recognition Custom Labels کنسول پر چند آسان کلکس کے ساتھ، آپ اپنے ماڈل کو تربیت دے سکتے ہیں اور تصاویر میں اشیاء کا پتہ لگا سکتے ہیں۔ شناخت کے حسب ضرورت لیبلز خود بخود ڈیٹا کو لوڈ اور معائنہ کر سکتے ہیں، صحیح ML الگورتھم منتخب کر سکتے ہیں، ماڈل کو تربیت دے سکتے ہیں، اور ماڈل کی کارکردگی کے میٹرکس فراہم کر سکتے ہیں۔ آپ تفصیلی کارکردگی کے میٹرکس کا جائزہ لے سکتے ہیں جیسے کہ درستگی، یاد کرنا، F1 سکور، اور اعتماد کے سکور۔

وہ دن آ گیا ہے جب اب ہم مشہور عمارتوں کی شناخت کر سکتے ہیں جیسے نیویارک شہر میں ایمپائر سٹیٹ بلڈنگ، ہندوستان میں تاج محل، اور دنیا بھر میں بہت سی دوسری جگہوں پر پہلے سے لیبل لگا ہوا ہے اور آپ کی ایپلی کیشنز میں انٹیلی جنس کے استعمال کے لیے تیار ہے۔ لیکن اگر آپ کے پاس دوسرے نشانات ہیں جو فی الحال ایمیزون ریکگنیشن لیبلز کے ذریعے تعاون یافتہ نہیں ہیں، تو مزید تلاش نہ کریں اور ایمیزون ریکگنیشن کسٹم لیبلز کو آزمائیں۔

حسب ضرورت لیبل استعمال کرنے کے بارے میں مزید معلومات کے لیے، دیکھیں ایمیزون ریکگنیشن کسٹم لیبلز کیا ہے؟ اس کے علاوہ، ہمارے ملاحظہ کریں GitHub repo Amazon Recognition کسٹم برانڈ کا پتہ لگانے کے اینڈ ٹو اینڈ ورک فلو کے لیے۔

مصنفین کے بارے میں:

سریش پٹنم AWS میں ایک پرنسپل BDM - GTM AI/ML لیڈر ہے۔ وہ IT حکمت عملی بنانے کے لیے صارفین کے ساتھ کام کرتا ہے، ڈیٹا اور AI/ML کا فائدہ اٹھا کر کلاؤڈ کے ذریعے ڈیجیٹل تبدیلی کو مزید قابل رسائی بناتا ہے۔ اپنے فارغ وقت میں، سریش ٹینس کھیلنا اور اپنے خاندان کے ساتھ وقت گزارنا پسند کرتا ہے۔

بنی کوشک AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ AWS پر AI/ML سلوشنز بنانے اور صارفین کو AWS پلیٹ فارم پر اختراع کرنے میں مدد کرنے کا شوق رکھتا ہے۔ کام سے باہر، وہ پیدل سفر، چڑھنے اور تیراکی سے لطف اندوز ہوتا ہے۔