在过去十年中,计算机视觉用例一直是一种增长趋势,尤其是在保险、汽车、电子商务、能源、零售、制造等行业。 客户正在构建计算机视觉机器学习 (ML) 模型,以为其流程带来运营效率和自动化。 此类模型有助于自动进行图像分类或检测图像中对您的业务特定且独特的感兴趣对象。
为了简化 ML 模型构建过程,我们引入了 亚马逊SageMaker JumpStart 2020 年 200 月。JumpStart 可帮助您快速轻松地开始使用 ML。 它提供对各种预训练模型的一键式部署和微调,以及一系列端到端解决方案。 这消除了 ML 流程每个步骤的繁重工作,从而更容易开发高质量模型并缩短部署时间。 但是,它需要您有一些先验知识,以帮助从 XNUMX 多个预训练的计算机视觉模型的目录中选择模型。 然后,您必须使用不同的超参数设置对模型性能进行基准测试,并选择要在生产中部署的最佳模型。
为了简化这种体验并允许几乎没有 ML 专业知识的开发人员构建自定义计算机视觉模型,我们在 JumpStart 中发布了一个新的示例笔记本,它使用 Amazon Rekognition自定义标签,一种完全托管的服务,用于构建自定义计算机视觉模型。 Rekognition Custom Labels 建立在预训练模型的基础之上 亚马逊重新认识,它们已经在许多类别的数千万张图像上进行了训练。 您可以从一组特定于您的用例的训练图像(几百或更少)开始,而不是数千张图像。 Rekognition 自定义标签抽象出构建自定义模型所涉及的复杂性。 它自动检查训练数据,选择正确的 ML 算法,选择实例类型,训练具有不同超参数的多个候选模型,并输出最佳训练模型。 Rekognition 自定义标签还提供了一个易于使用的界面,来自 AWS管理控制台 适用于整个 ML 工作流程,包括标记图像、训练、部署模型和可视化测试结果。
JumpStart 中的这个示例笔记本使用 Rekognition 自定义标签解决了任何图像分类或对象检测计算机视觉 ML 任务,让熟悉 亚马逊SageMaker 构建最适合您的用例、要求和技能组合的计算机视觉解决方案。
在这篇文章中,我们提供了在 JumpStart 中使用此示例笔记本的分步说明。 该笔记本演示了如何轻松使用 Rekognition Custom Labels 现有的训练和推理 API 创建图像分类模型、多标签分类模型和对象检测模型。 为了让您轻松上手,我们为每个模型提供了示例数据集。
使用 Rekognition 自定义标签训练和部署计算机视觉模型
在本节中,我们在 JumpStart 中找到所需的笔记本,并演示如何在已部署的端点上训练和运行推理。
让我们从 亚马逊SageMaker Studio 启动器。
- 在 Studio Launcher 上,选择 转到 SageMaker JumpStart.
JumpStart 登录页面包含用于解决方案、文本模型和视觉模型的轮播部分。 它还有一个搜索栏。 - 在搜索栏中,输入
Rekognition Custom Labels
并选择 用于视觉的 Rekognition 自定义标签 笔记本电脑。
笔记本以只读模式打开。 - 导入笔记本 将笔记本导入您的环境。
该笔记本提供了使用 JumpStart 控制台中的 Rekognition 自定义标签训练和运行推理的分步指南。 它提供了以下四个示例数据集来演示单标签和多标签图像分类和对象检测。
-
- 单标签图像分类 – 该数据集演示了如何将图像分类为属于一组预定义标签中的一个。 例如,房地产公司可以使用 Rekognition 自定义标签对其客厅、后院、卧室和其他家庭位置的图像进行分类。 以下是来自此数据集的示例图像,它包含在笔记本中。
- 多标签图像分类 – 该数据集演示了如何将图像分类为多个类别,例如花朵的颜色、大小、纹理和类型。 例如,植物种植者可以使用 Rekognition 自定义标签来区分不同类型的花朵以及它们是健康的、受损的还是受感染的。 下图是来自该数据集的示例。
- 物体检测 – 该数据集演示了对象定位,以定位生产或生产线中使用的零件。 例如,在电子行业,Rekognition 自定义标签可以帮助计算电路板上的电容器数量。 下图是来自该数据集的示例。
- 品牌和标志检测 – 该数据集演示了在图像中定位徽标或品牌。 例如,在媒体行业,对象检测模型可以帮助识别照片中赞助商徽标的位置。 以下是来自该数据集的示例图像。
- 单标签图像分类 – 该数据集演示了如何将图像分类为属于一组预定义标签中的一个。 例如,房地产公司可以使用 Rekognition 自定义标签对其客厅、后院、卧室和其他家庭位置的图像进行分类。 以下是来自此数据集的示例图像,它包含在笔记本中。
- 按照笔记本中的步骤运行每个单元格。
此笔记本演示了如何使用单个笔记本通过 Rekognition 自定义标签 API 处理图像分类和对象检测用例。
在继续使用笔记本时,您可以选择上述示例数据集之一。 我们鼓励您尝试为每个数据集运行笔记本。
结论
在这篇博文中,我们向您展示了如何使用 Rekognition 自定义标签 API 来构建图像分类或对象检测计算机视觉模型,以根据您的业务需求对图像中的对象进行分类和识别。 要训练模型,您可以从提供数十到数百张带标签的图像开始,而不是数千张。 Rekognition 自定义标签通过处理参数选择来简化模型训练,例如机器类型、算法类型或算法特定的超参数(包括网络中的层数、学习率和批量大小)。 Rekognition 自定义标签还简化了训练模型的托管,并提供了一个简单的操作来使用训练模型执行推理。
Rekognition 自定义标签为数据集图像的训练过程、模型管理和可视化提供了易于使用的控制台体验。 我们鼓励您了解更多关于 Rekognition 自定义标签 并使用您的业务特定数据集进行尝试。
要开始使用,您可以导航到 Rekognition Custom Labels 示例笔记本 SageMaker 快速启动.
作者简介
普什米人迷雾 是 Amazon Rekognition 自定义标签的高级产品经理。 工作之余,Pashmeen 喜欢冒险远足、摄影以及与家人共度时光。
- "
- 100
- 2020
- 摘要
- 横过
- 地址
- AI
- 人工智能服务
- 算法
- 算法
- 已经
- Amazon
- APIs
- 自动化
- 自动化
- 汽车
- AWS
- 基准
- 最佳
- 板
- 品牌
- 建立
- 建筑物
- 建立
- 商业
- 可以得到
- 候选人
- 关心
- 例
- 选择
- 分类
- 公司
- 一台
- 安慰
- 创建信息图
- 习俗
- 合作伙伴
- data
- 十
- 演示
- 部署
- 部署
- 部署
- 部署
- 设计
- 检测
- 开发
- 开发
- 不同
- 容易
- 易于使用
- 电子商务
- 电子
- 鼓励
- 端点
- 能源
- 输入
- 环境
- 特别
- 房地产
- 例子
- 现有
- 体验
- 专门知识
- 家庭
- 以下
- 成长
- 指南
- 帮助
- 帮助
- 高品质
- 托管
- 家庭
- 创新中心
- How To
- 但是
- HTTPS
- 数百
- 鉴定
- 图片
- 实施
- 包括
- 包含
- 行业
- 行业中的应用:
- 保险
- 兴趣
- 接口
- 参与
- IT
- 知识
- 标签
- 标签
- 学习用品
- 学习
- 翻新
- 小
- 活的
- 圖書分館的位置
- 地点
- 商标
- 机
- 机器学习
- 制作
- 管理
- 颠覆性技术
- 经理
- 制造业
- 媒体
- 百万
- ML
- 模型
- 模型
- 更多
- 多
- 需要
- 网络
- 笔记本
- 数
- 打开
- 操作
- 附加选项
- 其他名称
- 部分
- 性能
- 执行
- 摄影
- 过程
- 过程
- 产品
- 生产
- 提供
- 提供
- 优
- 很快
- 房地产
- 减少
- 岗位要求
- 需要
- 成果
- 零售
- 房间数
- 运行
- 运行
- 搜索
- 服务
- 特色服务
- 集
- 简易
- 尺寸
- 小
- 方案,
- 解决方案
- 解决
- 一些
- 花费
- 赞助
- 开始
- 开始
- 工作室
- 服用
- test
- 数千
- 次
- 产品培训
- 火车
- 类型
- 独特
- 使用
- 各种
- 愿景
- 可视化
- 中
- 工作