Trong thập kỷ qua, các trường hợp sử dụng thị giác máy tính đang là xu hướng ngày càng tăng, đặc biệt là trong các ngành như bảo hiểm, ô tô, thương mại điện tử, năng lượng, bán lẻ, sản xuất và các ngành khác. Khách hàng đang xây dựng mô hình máy học thị giác máy tính (ML) để mang lại hiệu quả hoạt động và tự động hóa cho các quy trình của họ. Các mô hình như vậy giúp tự động hóa việc phân loại hình ảnh hoặc phát hiện đối tượng quan tâm đến hình ảnh cụ thể và duy nhất cho doanh nghiệp của bạn.
Để đơn giản hóa quy trình xây dựng mô hình ML, chúng tôi đã giới thiệu Khởi động Amazon SageMaker vào tháng 2020 năm 200. JumpStart giúp bạn bắt đầu nhanh chóng và dễ dàng với ML. Nó cung cấp khả năng triển khai bằng một cú nhấp chuột và tinh chỉnh nhiều loại mô hình được đào tạo trước, cũng như lựa chọn các giải pháp end-to-end. Điều này loại bỏ những gánh nặng từ mỗi bước của quy trình ML, giúp dễ dàng hơn trong việc phát triển các mô hình chất lượng cao và giảm thời gian triển khai. Tuy nhiên, nó đòi hỏi bạn phải có một số kiến thức trước để giúp lựa chọn mô hình từ danh mục hơn XNUMX mô hình thị giác máy tính được đào tạo trước. Sau đó, bạn phải đánh giá hiệu suất của mô hình với các cài đặt siêu thông số khác nhau và chọn mô hình tốt nhất để triển khai trong sản xuất.
Để đơn giản hóa trải nghiệm này và cho phép các nhà phát triển có ít hoặc không có kiến thức chuyên môn về ML xây dựng các mô hình thị giác máy tính tùy chỉnh, chúng tôi đang phát hành một sổ tay mẫu mới trong JumpStart sử dụng Nhãn tùy chỉnh Rekognition của Amazon, một dịch vụ được quản lý hoàn toàn để xây dựng các mô hình thị giác máy tính tùy chỉnh. Các Nhãn tùy chỉnh Rekognition được xây dựng dựa trên các mô hình được đào tạo trước trong Nhận thức lại Amazon, vốn đã được đào tạo về hàng chục triệu hình ảnh trên nhiều thể loại. Thay vì hàng nghìn hình ảnh, bạn có thể bắt đầu với một tập hợp nhỏ các hình ảnh đào tạo (vài trăm hoặc ít hơn) dành riêng cho trường hợp sử dụng của bạn. Nhãn tùy chỉnh Rekognition giúp loại bỏ sự phức tạp liên quan đến việc xây dựng một mô hình tùy chỉnh. Nó tự động kiểm tra dữ liệu đào tạo, chọn các thuật toán ML phù hợp, chọn loại cá thể, đào tạo nhiều mô hình ứng viên với các siêu tham số khác nhau và xuất ra mô hình được đào tạo tốt nhất. Rekognition Custom Labels cũng cung cấp giao diện dễ sử dụng từ Bảng điều khiển quản lý AWS cho toàn bộ quy trình làm việc ML, bao gồm ghi nhãn hình ảnh, đào tạo, triển khai mô hình và trực quan hóa kết quả thử nghiệm.
Sổ tay mẫu này trong JumpStart sử dụng Nhãn tùy chỉnh Rekognition giải quyết bất kỳ tác vụ ML thị giác máy tính phát hiện đối tượng hoặc phân loại hình ảnh nào, giúp khách hàng dễ dàng làm quen với Amazon SageMaker để xây dựng một giải pháp thị giác máy tính phù hợp nhất với trường hợp sử dụng, yêu cầu và bộ kỹ năng của bạn.
Trong bài đăng này, chúng tôi cung cấp hướng dẫn từng bước để sử dụng sổ tay mẫu này trong JumpStart. Sổ tay hướng dẫn cách sử dụng dễ dàng các API suy luận và đào tạo hiện có của Rekognition Custom Labels để tạo mô hình phân loại hình ảnh, mô hình phân loại nhiều nhãn và mô hình phát hiện đối tượng. Để giúp bạn dễ dàng bắt đầu, chúng tôi đã cung cấp bộ dữ liệu mẫu cho từng mô hình.
Đào tạo và triển khai mô hình thị giác máy tính bằng cách sử dụng Nhãn tùy chỉnh Rekognition
Trong phần này, chúng tôi định vị sổ ghi chép mong muốn trong JumpStart và trình bày cách huấn luyện và chạy suy luận trên điểm cuối đã triển khai.
Hãy bắt đầu từ Xưởng sản xuất Amazon SageMaker Trình khởi chạy.
- Trên Studio Launcher, hãy chọn Đi tới SageMaker JumpStart.
Trang đích JumpStart có các phần dành cho băng chuyền cho các giải pháp, mô hình văn bản và mô hình tầm nhìn. Nó cũng có một thanh tìm kiếm. - Trong thanh tìm kiếm, hãy nhập
Rekognition Custom Labels
và chọn Nhãn tùy chỉnh Rekognition cho Tầm nhìn sổ tay.
Sổ tay mở ở chế độ chỉ đọc. - Chọn Nhập sổ tay để nhập sổ ghi chép vào môi trường của bạn.
Sổ tay cung cấp hướng dẫn từng bước để đào tạo và chạy suy luận bằng cách sử dụng Nhãn tùy chỉnh Rekognition từ bảng điều khiển JumpStart. Nó cung cấp bốn bộ dữ liệu mẫu sau đây để chứng minh khả năng phân loại hình ảnh đơn và đa nhãn và phát hiện đối tượng.
-
- Phân loại hình ảnh nhãn đơn - Tập dữ liệu này trình bày cách phân loại hình ảnh thuộc một trong tập hợp các nhãn được xác định trước. Ví dụ: các công ty bất động sản có thể sử dụng Nhãn tùy chỉnh Rekognition để phân loại hình ảnh của họ về phòng khách, sân sau, phòng ngủ và các vị trí khác trong gia đình. Sau đây là hình ảnh mẫu từ tập dữ liệu này, được bao gồm như một phần của sổ ghi chép.
- Phân loại hình ảnh nhiều nhãn - Bộ dữ liệu này trình bày cách phân loại hình ảnh thành nhiều loại, chẳng hạn như màu sắc, kích thước, kết cấu và loại hoa. Ví dụ: người trồng cây có thể sử dụng Nhãn tùy chỉnh Rekognition để phân biệt giữa các loại hoa khác nhau và xem chúng có khỏe mạnh, bị hư hại hay bị nhiễm bệnh hay không. Hình ảnh sau đây là một ví dụ từ tập dữ liệu này.
- Phát hiện đối tượng - Bộ dữ liệu này thể hiện bản địa hóa đối tượng để xác định vị trí các bộ phận được sử dụng trong dây chuyền sản xuất hoặc chế tạo. Ví dụ, trong ngành công nghiệp điện tử, Rekognition Custom Labels có thể giúp đếm số lượng tụ điện trên bảng mạch. Hình ảnh sau đây là một ví dụ từ tập dữ liệu này.
- Phát hiện thương hiệu và logo - Bộ dữ liệu này thể hiện định vị logo hoặc thương hiệu trong một hình ảnh. Ví dụ, trong ngành truyền thông, một mô hình phát hiện đối tượng có thể giúp xác định vị trí của các biểu trưng của nhà tài trợ trong ảnh. Sau đây là hình ảnh mẫu từ tập dữ liệu này.
- Phân loại hình ảnh nhãn đơn - Tập dữ liệu này trình bày cách phân loại hình ảnh thuộc một trong tập hợp các nhãn được xác định trước. Ví dụ: các công ty bất động sản có thể sử dụng Nhãn tùy chỉnh Rekognition để phân loại hình ảnh của họ về phòng khách, sân sau, phòng ngủ và các vị trí khác trong gia đình. Sau đây là hình ảnh mẫu từ tập dữ liệu này, được bao gồm như một phần của sổ ghi chép.
- Làm theo các bước trong sổ tay bằng cách chạy từng ô.
Sổ tay này trình bày cách bạn có thể sử dụng một sổ ghi chép để giải quyết cả các trường hợp sử dụng phân loại hình ảnh và phát hiện đối tượng thông qua API nhãn Tùy chỉnh Rekognition.
Khi bạn tiếp tục với sổ ghi chép, bạn có tùy chọn để chọn một trong các bộ dữ liệu mẫu đã nói ở trên. Chúng tôi khuyến khích bạn thử chạy sổ ghi chép cho từng bộ dữ liệu.
Kết luận
Trong bài đăng này, chúng tôi đã hướng dẫn bạn cách sử dụng API nhãn tùy chỉnh Rekognition để xây dựng phân loại hình ảnh hoặc mô hình thị giác máy tính phát hiện đối tượng để phân loại và xác định các đối tượng trong hình ảnh cụ thể cho nhu cầu kinh doanh của bạn. Để đào tạo một người mẫu, bạn có thể bắt đầu bằng cách cung cấp hàng chục đến hàng trăm hình ảnh được gắn nhãn thay vì hàng nghìn. Nhãn tùy chỉnh Rekognition đơn giản hóa việc đào tạo mô hình bằng cách quan tâm đến các lựa chọn tham số như loại máy, loại thuật toán hoặc siêu tham số theo thuật toán cụ thể (bao gồm số lớp trong mạng, tốc độ học và kích thước lô). Rekognition Custom Labels cũng đơn giản hóa việc lưu trữ mô hình được đào tạo và cung cấp một hoạt động đơn giản để thực hiện suy luận với mô hình được đào tạo.
Rekognition Custom Labels cung cấp trải nghiệm bảng điều khiển dễ sử dụng cho quá trình đào tạo, quản lý mô hình và trực quan hóa hình ảnh tập dữ liệu. Chúng tôi khuyến khích bạn tìm hiểu thêm về Nhãn tùy chỉnh Rekognition và dùng thử với bộ dữ liệu dành riêng cho doanh nghiệp của bạn.
Để bắt đầu, bạn có thể điều hướng đến sổ ghi chép mẫu Rekognition Custom Labels trong Khởi động SageMaker.
Về các tác giả
Pashmeen là Giám đốc sản phẩm cấp cao cho các Nhãn tùy chỉnh Rekognition của Amazon. Ngoài công việc, Pashmeen thích đi bộ đường dài mạo hiểm, chụp ảnh và dành thời gian cho gia đình.
Abhishek Gupta là Kiến trúc sư Giải pháp Dịch vụ AI cấp cao tại AWS. Anh ấy giúp khách hàng thiết kế và triển khai các giải pháp thị giác máy tính.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- tóm tắt
- ngang qua
- địa chỉ
- AI
- Dịch vụ AI
- thuật toán
- thuật toán
- Đã
- đàn bà gan dạ
- API
- tự động hóa
- Tự động hóa
- ô tô
- AWS
- điểm chuẩn
- BEST
- bảng
- thương hiệu
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- Có thể có được
- ứng cử viên
- mà
- trường hợp
- lựa chọn
- Chọn
- phân loại
- Các công ty
- máy tính
- An ủi
- tạo
- khách hàng
- khách hàng
- dữ liệu
- thập kỷ
- chứng minh
- triển khai
- triển khai
- triển khai
- triển khai
- Thiết kế
- Phát hiện
- phát triển
- phát triển
- khác nhau
- dễ dàng
- dễ sử dụng
- thương mại điện tử
- Thiết bị điện tử
- khuyến khích
- Điểm cuối
- năng lượng
- đăng ký hạng mục thi
- Môi trường
- đặc biệt
- bất động sản
- ví dụ
- hiện tại
- kinh nghiệm
- chuyên môn
- gia đình
- tiếp theo
- Phát triển
- hướng dẫn
- giúp đỡ
- giúp
- chất lượng cao
- lưu trữ
- hộ gia đình
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTTPS
- Hàng trăm
- xác định
- hình ảnh
- thực hiện
- bao gồm
- Bao gồm
- các ngành công nghiệp
- ngành công nghiệp
- bảo hiểm
- quan tâm
- Giao thức
- tham gia
- IT
- kiến thức
- ghi nhãn
- Nhãn
- LEARN
- học tập
- nâng
- ít
- sống
- địa điểm thư viện nào
- . Các địa điểm
- Logo
- máy
- học máy
- Làm
- quản lý
- quản lý
- giám đốc
- sản xuất
- Phương tiện truyền thông
- hàng triệu
- ML
- kiểu mẫu
- mô hình
- chi tiết
- nhiều
- nhu cầu
- mạng
- máy tính xách tay
- con số
- mở ra
- hoạt động
- Tùy chọn
- Nền tảng khác
- một phần
- hiệu suất
- biểu diễn
- nhiếp ảnh
- quá trình
- Quy trình
- Sản phẩm
- Sản lượng
- cho
- cung cấp
- cung cấp
- Mau
- bất động sản
- giảm
- Yêu cầu
- đòi hỏi
- Kết quả
- bán lẻ
- phòng
- chạy
- chạy
- Tìm kiếm
- dịch vụ
- DỊCH VỤ
- định
- Đơn giản
- Kích thước máy
- nhỏ
- giải pháp
- Giải pháp
- Giải quyết
- một số
- Chi
- tài trợ
- Bắt đầu
- bắt đầu
- phòng thu
- dùng
- thử nghiệm
- hàng ngàn
- thời gian
- Hội thảo
- tàu hỏa
- loại
- độc đáo
- sử dụng
- nhiều
- tầm nhìn
- hình dung
- ở trong
- Công việc