Xác định các mốc bằng Nhãn tùy chỉnh Amazon Rekognition

Nhận thức lại Amazon là một dịch vụ thị giác máy tính giúp việc thêm phân tích hình ảnh và video vào các ứng dụng của bạn trở nên đơn giản bằng cách sử dụng công nghệ học sâu, đã được kiểm chứng, có khả năng mở rộng cao, không yêu cầu chuyên môn về máy học (ML). Với Amazon Rekognition, bạn có thể xác định đối tượng, con người, văn bản, cảnh và hoạt động trong hình ảnh và video cũng như phát hiện nội dung không phù hợp. Amazon Rekognition cũng cung cấp khả năng phân tích khuôn mặt và tìm kiếm khuôn mặt có độ chính xác cao mà bạn có thể sử dụng để phát hiện, phân tích và so sánh khuôn mặt cho nhiều trường hợp sử dụng.

Nhãn tùy chỉnh Rekognition của Amazon là một tính năng của Amazon Rekognition giúp bạn dễ dàng xây dựng các khả năng phân tích hình ảnh dựa trên ML chuyên biệt của riêng mình để phát hiện các đối tượng và cảnh độc đáo không thể thiếu trong trường hợp sử dụng cụ thể của bạn.

Một số trường hợp sử dụng phổ biến của Nhãn tùy chỉnh Rekognition bao gồm tìm biểu trưng của bạn trong các bài đăng trên mạng xã hội, xác định sản phẩm của bạn trên kệ hàng, phân loại các bộ phận máy trong dây chuyền lắp ráp, phân biệt giữa cây khỏe mạnh và cây bị nhiễm bệnh, v.v.

Amazon Rekognition Nhãn hỗ trợ các địa danh nổi tiếng như Cầu Brooklyn, Đấu trường La Mã, Tháp Eiffel, Machu Picchu, Taj Mahal, và nhiều hơn nữa. Nếu bạn có các địa danh hoặc tòa nhà khác chưa được Amazon Rekognition hỗ trợ, thì bạn vẫn có thể sử dụng Nhãn tùy chỉnh của Amazon Rekognition.

Trong bài đăng này, chúng tôi trình bày cách sử dụng Nhãn tùy chỉnh Rekognition để phát hiện tòa nhà Amazon Spheres ở Seattle.

Với Nhãn tùy chỉnh Rekognition, AWS sẽ đảm nhận công việc nặng nhọc cho bạn. Nhãn tùy chỉnh của Rekognition xây dựng dựa trên các khả năng hiện có của Amazon Rekognition, vốn đã được đào tạo trên hàng chục triệu hình ảnh trên nhiều danh mục. Thay vì hàng nghìn hình ảnh, bạn chỉ cần tải lên một tập hợp nhỏ các hình ảnh đào tạo (thường là vài trăm hình ảnh trở xuống) dành riêng cho trường hợp sử dụng của bạn thông qua bảng điều khiển đơn giản của chúng tôi. Amazon Rekognition có thể bắt đầu đào tạo chỉ sau vài cú nhấp chuột. Sau khi Amazon Rekognition bắt đầu đào tạo từ tập hợp hình ảnh của bạn, nó có thể tạo ra một mô hình phân tích hình ảnh tùy chỉnh cho bạn trong vòng vài phút hoặc vài giờ. Đằng sau hậu trường, Nhãn tùy chỉnh Rekognition tự động tải và kiểm tra dữ liệu đào tạo, chọn thuật toán ML phù hợp, đào tạo mô hình và cung cấp chỉ số hiệu suất mô hình. Sau đó, bạn có thể sử dụng mô hình tùy chỉnh của mình thông qua API nhãn tùy chỉnh Rekognition và tích hợp nó vào các ứng dụng của mình.

Tổng quan về giải pháp

Đối với ví dụ của chúng tôi, chúng tôi sử dụng Quả cầu Amazon tòa nhà ở Seattle. Chúng tôi đào tạo một mô hình bằng cách sử dụng Nhãn tùy chỉnh Rekognition; bất cứ khi nào hình ảnh tương tự được sử dụng, thuật toán sẽ xác định nó là Amazon Spheres thay vì Dome, Architecture, Glass buildinghoặc các nhãn khác.

Trước tiên, hãy hiển thị một ví dụ về cách sử dụng tính năng phát hiện nhãn của Amazon Rekognition, nơi chúng tôi cung cấp hình ảnh của Amazon Spheres mà không cần bất kỳ đào tạo tùy chỉnh nào. Chúng tôi sử dụng bảng điều khiển Amazon Rekognition để mở bản demo phát hiện nhãn và tải ảnh của chúng tôi lên.

Sau khi hình ảnh được tải lên và phân tích, chúng tôi thấy các nhãn có điểm tin cậy bên dưới Kết quả. Trong trường hợp này, Dome được phát hiện với độ tin cậy 99.2%, Architecture với 99.2%, Building với 99.2%, Metropolis với 79.4%, v.v.

Chúng tôi muốn sử dụng ghi nhãn tùy chỉnh để tạo mô hình thị giác máy tính có thể gắn nhãn cho hình ảnh Amazon Spheres.

Trong các phần sau, chúng tôi sẽ hướng dẫn bạn cách chuẩn bị tập dữ liệu, tạo dự án Nhãn tùy chỉnh Rekognition, đào tạo mô hình, đánh giá kết quả và thử nghiệm mô hình bằng các hình ảnh bổ sung.

Điều kiện tiên quyết

Trước khi bắt đầu với các bước, có hạn ngạch đối với Nhãn tùy chỉnh Rekognition mà bạn cần lưu ý. Nếu bạn muốn thay đổi giới hạn, bạn có thể yêu cầu tăng giới hạn dịch vụ.

Tạo tập dữ liệu của bạn

Nếu đây là lần đầu tiên bạn sử dụng Nhãn tùy chỉnh Rekognition, bạn sẽ được nhắc tạo một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) để lưu trữ tập dữ liệu của bạn.

Đối với phần trình diễn trên blog này, chúng tôi đã sử dụng hình ảnh của Amazon Spheres mà chúng tôi đã chụp được khi đến thăm Seattle, WA. Vui lòng sử dụng hình ảnh của riêng bạn theo nhu cầu của bạn.

Sao chép tập dữ liệu của bạn vào vùng lưu trữ mới được tạo, lưu trữ hình ảnh của bạn bên trong các tiền tố tương ứng của chúng.

Tạo một dự án

Để tạo dự án Nhãn tùy chỉnh Rekognition của bạn, hãy hoàn thành các bước sau:

1. Trên bảng điều khiển Nhãn tùy chỉnh Rekognition, hãy chọn Tạo một dự án.
2. Trong Tên dự án, nhập tên.
3. Chọn Tạo dự án.
   
   Bây giờ chúng tôi chỉ định cấu hình và đường dẫn của tập dữ liệu thử nghiệm và đào tạo của bạn.
4. Chọn Tạo tập dữ liệu.
   

Bạn có thể bắt đầu với một dự án có một tập dữ liệu duy nhất hoặc một dự án có các tập dữ liệu thử nghiệm và đào tạo riêng biệt. Nếu bạn bắt đầu với một tập dữ liệu duy nhất, Nhãn tùy chỉnh của Rekognition sẽ chia tập dữ liệu của bạn trong quá trình đào tạo để tạo tập dữ liệu đào tạo (80%) và tập dữ liệu thử nghiệm (20%) cho dự án của bạn.

Ngoài ra, bạn có thể tạo bộ dữ liệu đào tạo và thử nghiệm cho dự án bằng cách nhập hình ảnh từ một trong các vị trí sau:

Đối với bài đăng này, chúng tôi sử dụng tập dữ liệu tùy chỉnh của riêng mình về Amazon Spheres.

1. Chọn Bắt đầu với một tập dữ liệu duy nhất.
2. Chọn Nhập hình ảnh từ nhóm S3.
   
3. Trong URI S3, hãy nhập đường dẫn đến bộ chứa S3 của bạn.
4. Nếu bạn muốn Nhãn tùy chỉnh của Rekognition tự động gắn nhãn hình ảnh cho bạn dựa trên tên thư mục trong bộ chứa S3 của bạn, hãy chọn Tự động gán nhãn cấp độ hình ảnh cho hình ảnh dựa trên tên thư mục.
   
5. Chọn Tạo tập dữ liệu.

Một trang mở ra hiển thị cho bạn các hình ảnh có nhãn của chúng. Nếu bạn thấy bất kỳ lỗi nào trong nhãn, hãy tham khảo Gỡ lỗi bộ dữ liệu.

Đào tạo mô hình

Sau khi bạn đã xem lại tập dữ liệu của mình, bây giờ bạn có thể huấn luyện mô hình.

1. Chọn mô hình xe lửa.
2. Trong Chọn dự án, hãy nhập ARN cho dự án của bạn nếu nó chưa được liệt kê.
3. Chọn Mô hình tàu hỏa.

Trong tạp chí mô hình của trang dự án, bạn có thể kiểm tra trạng thái hiện tại trong tình trạng mô hình cột, nơi quá trình đào tạo đang diễn ra. Thời gian đào tạo thường mất từ ​​30 phút đến 24 giờ để hoàn thành, tùy thuộc vào một số yếu tố như số lượng hình ảnh và số lượng nhãn trong tập hợp đào tạo cũng như loại thuật toán ML được sử dụng để đào tạo mô hình của bạn.

Khi đào tạo mô hình hoàn tất, bạn có thể thấy trạng thái mô hình như TRAINING_COMPLETED. Nếu đào tạo thất bại, hãy tham khảo Gỡ lỗi đào tạo mô hình không thành công.

Đánh giá mô hình

Mở trang chi tiết mô hình. Các Đánh giá tab hiển thị số liệu cho từng nhãn và số liệu trung bình cho toàn bộ tập dữ liệu thử nghiệm.

Bảng điều khiển Nhãn tùy chỉnh của Rekognition cung cấp các chỉ số sau dưới dạng tóm tắt kết quả đào tạo và dưới dạng chỉ số cho từng nhãn:

Bạn có thể xem kết quả của mô hình được đào tạo của mình cho từng hình ảnh, như được hiển thị trong ảnh chụp màn hình sau.

Kiểm tra mô hình

Bây giờ chúng tôi đã xem kết quả đánh giá, chúng tôi đã sẵn sàng bắt đầu mô hình và phân tích hình ảnh mới.

Bạn có thể bắt đầu mô hình trên Sử dụng mô hình trên bảng điều khiển Nhãn tùy chỉnh Rekognition hoặc bằng cách sử dụng StartProjectPhiên bản hoạt động thông qua Giao diện dòng lệnh AWS (AWS CLI) hoặc Python SDK.

Khi mô hình đang chạy, chúng ta có thể phân tích các hình ảnh mới bằng cách sử dụng Phát hiện Nhãn tùy chỉnh API. kết quả từ DetectCustomLabels là một dự đoán rằng hình ảnh chứa các đối tượng, cảnh hoặc khái niệm cụ thể. Xem đoạn mã sau:

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

Ở đầu ra, bạn có thể thấy nhãn có điểm tin cậy:

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

Như bạn có thể thấy từ kết quả, chỉ với vài cú nhấp chuột đơn giản, bạn có thể sử dụng Nhãn tùy chỉnh Rekognition để đạt được kết quả ghi nhãn chính xác. Bạn có thể sử dụng điều này cho vô số trường hợp sử dụng hình ảnh, chẳng hạn như xác định nhãn tùy chỉnh cho sản phẩm thực phẩm, vật nuôi, bộ phận máy móc, v.v.

Làm sạch

Để dọn sạch các tài nguyên bạn đã tạo trong bài đăng này và tránh mọi chi phí định kỳ tiềm ẩn, hãy hoàn thành các bước sau:

1. trên Sử dụng mô hình chuyển hướng, dừng mô hình.
   Ngoài ra, bạn có thể dừng mô hình bằng cách sử dụng StopProjectPhiên bản hoạt động thông qua AWS CLI hoặc Python SDK.Đợi cho đến khi mô hình ở trong Stopped trạng thái trước khi tiếp tục các bước tiếp theo.
2. Xóa mô hình.
3. Xóa dự án.
4. Xóa bộ dữ liệu.
5. Trống nội dung nhóm S3 và xóa cái xô.

Kết luận

Trong bài đăng này, chúng tôi đã trình bày cách sử dụng Nhãn tùy chỉnh Rekognition để phát hiện hình ảnh tòa nhà.

Bạn có thể bắt đầu với bộ dữ liệu hình ảnh tùy chỉnh của mình và chỉ với một vài cú nhấp chuột đơn giản trên bảng điều khiển Nhãn tùy chỉnh Rekognition, bạn có thể đào tạo mô hình của mình và phát hiện các đối tượng trong hình ảnh. Nhãn tùy chỉnh của Rekognition có thể tự động tải và kiểm tra dữ liệu, chọn thuật toán ML phù hợp, đào tạo mô hình và cung cấp chỉ số hiệu suất mô hình. Bạn có thể xem xét các chỉ số hiệu suất chi tiết như độ chính xác, khả năng thu hồi, điểm F1 và điểm tin cậy.

Đã đến lúc chúng ta có thể xác định các tòa nhà phổ biến như Tòa nhà Empire State ở Thành phố New York, Taj Mahal ở Ấn Độ và nhiều tòa nhà khác trên khắp thế giới được dán nhãn sẵn và sẵn sàng sử dụng để làm thông tin tình báo trong các ứng dụng của bạn. Tuy nhiên, nếu bạn có các mốc khác hiện chưa được Amazon Rekognition Labels hỗ trợ, thì không cần tìm đâu xa mà hãy dùng thử Amazon Rekognition Custom Labels.

Để biết thêm thông tin về cách sử dụng nhãn tùy chỉnh, hãy xem Nhãn tùy chỉnh Rekognition của Amazon là gì? Ngoài ra, hãy ghé thăm của chúng tôi Repo GitHub để có quy trình làm việc toàn diện về phát hiện thương hiệu tùy chỉnh của Amazon Rekognition.

Giới thiệu về tác giả:

chắc chắn Patnam là Trưởng BDM – GTM AI/ML Leader tại AWS. Anh ấy làm việc với khách hàng để xây dựng chiến lược CNTT, giúp việc chuyển đổi kỹ thuật số qua đám mây trở nên dễ tiếp cận hơn bằng cách tận dụng Dữ liệu & AI/ML. Khi rảnh rỗi, Suresh thích chơi quần vợt và dành thời gian cho gia đình.

Kaushik thỏ là Kiến trúc sư giải pháp tại AWS. Anh đam mê xây dựng các giải pháp AI/ML trên AWS và giúp khách hàng đổi mới trên nền tảng AWS. Ngoài công việc, anh ấy thích đi bộ đường dài, leo núi và bơi lội.