الأمازون إعادة الاعتراف هي خدمة الرؤية الحاسوبية التي تسهل إضافة تحليل الصور والفيديو إلى تطبيقاتك باستخدام تقنية التعلم العميق المثبتة والقابلة للتطوير والتي لا تتطلب أي خبرة في التعلم الآلي (ML) لاستخدامها. باستخدام Amazon Rekognition ، يمكنك تحديد الكائنات والأشخاص والنصوص والمشاهد والأنشطة في الصور ومقاطع الفيديو ، وكذلك اكتشاف أي محتوى غير لائق. يوفر Amazon Rekognition أيضًا تحليلًا عالي الدقة للوجه وإمكانيات بحث عن الوجه يمكنك استخدامها لاكتشاف الوجوه وتحليلها ومقارنتها لمجموعة متنوعة من حالات الاستخدام.
تسميات Amazon Rekognition المخصصة يسمح لك بتحديد العناصر والمشاهد في الصور الخاصة باحتياجات عملك. على سبيل المثال ، يمكنك العثور على شعارك في منشورات وسائل التواصل الاجتماعي ، وتحديد منتجاتك على أرفف المتاجر ، وتصنيف أجزاء الماكينة في خط تجميع ، وتمييز النباتات الصحية والمصابة ، والمزيد. مشاركة المدونة بناء اكتشاف علامتك التجارية الخاصة يوضح كيفية استخدام Amazon Rekognition Custom Labels لإنشاء حل شامل لاكتشاف شعارات العلامات التجارية في الصور ومقاطع الفيديو.
توفر Amazon Rekognition Custom Labels تجربة بسيطة من البداية إلى النهاية حيث تبدأ بتسمية مجموعة بيانات ، وتقوم Amazon Rekognition Custom Labels بإنشاء نموذج ML مخصص لك من خلال فحص البيانات واختيار خوارزمية ML الصحيحة. بعد تدريب نموذجك ، يمكنك البدء في استخدامه على الفور لتحليل الصور. إذا كنت ترغب في معالجة الصور على دفعات (مثل مرة واحدة في اليوم أو الأسبوع ، أو في أوقات مجدولة خلال اليوم) ، يمكنك توفير النموذج المخصص الخاص بك في الأوقات المجدولة.
في هذا المنشور ، نوضح كيف يمكنك إنشاء حل دفعي مثالي من حيث التكلفة باستخدام Amazon Rekognition Custom Labels الذي يوفر نموذجك المخصص في الأوقات المجدولة ، ويعالج جميع صورك ، ويزيل مواردك لتجنب تكبد تكلفة إضافية.
نظرة عامة على الحل
يوضح الرسم التخطيطي للهندسة المعمارية التالي كيف يمكنك تصميم سير عمل فعال من حيث التكلفة وقابل للتطوير بدرجة كبيرة لمعالجة الصور على دفعات باستخدام Amazon Rekognition Custom Labels. يستفيد من خدمات AWS مثل أمازون إيفينت بريدج, وظائف خطوة AWS, خدمة Amazon Simple Queue Service (Amazon SQS) ، AWS لامداو خدمة تخزين أمازون البسيطة (أمازون S3).
يستخدم هذا الحل بنية بدون خادم وخدمات مُدارة ، بحيث يمكن توسيع نطاقها حسب الطلب ولا يتطلب توفير أي خوادم وإدارتها. تعمل قائمة انتظار Amazon SQS على زيادة التسامح العام مع الخطأ في الحل عن طريق فصل استيعاب الصور عن معالجة الصور وتمكين التسليم الموثوق للرسائل لكل صورة يتم استيعابها. تسهل وظيفة Step Functions إنشاء تدفقات عمل مرئية لتنظيم سلسلة من المهام الفردية ، مثل التحقق مما إذا كانت الصورة متاحة لمعالجة وإدارة دورة حياة الحالة الخاصة بمشروع Amazon Rekognition Custom Labels. على الرغم من أن البنية التالية توضح كيف يمكنك إنشاء حل معالجة مجمعة لـ Amazon Rekognition Custom Labels باستخدام AWS Lambda ، يمكنك إنشاء بنية مماثلة باستخدام خدمات مثل AWS فارجيت.
تصف الخطوات التالية سير العمل الكلي:
- نظرًا لأنه يتم تخزين الصورة في حاوية Amazon S3 ، فإنها تطلق رسالة يتم تخزينها في قائمة انتظار Amazon SQS.
- تم تكوين Amazon EventBridge لتشغيل سير عمل AWS Step Functions بتردد معين (ساعة واحدة افتراضيًا).
- أثناء تشغيل سير العمل ، يقوم بتنفيذ الإجراءات التالية:
- يتحقق من عدد العناصر في قائمة انتظار Amazon SQS. إذا لم تكن هناك عناصر لمعالجتها في قائمة الانتظار ، فسينتهي سير العمل.
- إذا كانت هناك عناصر يجب معالجتها في قائمة الانتظار ، فسيبدأ سير العمل في نموذج Amazon Rekognition Custom Labels.
- يتيح سير العمل تكامل Amazon SQS مع وظيفة AWS Lambda لمعالجة تلك الصور.
- عند تمكين التكامل بين قائمة انتظار Amazon SQS و AWS Lambda ، تحدث الأحداث التالية:
- تبدأ AWS Lambda في معالجة الرسائل بتفاصيل الصورة من Amazon SQS.
- تستخدم وظيفة AWS Lambda مشروع Amazon Rekognition Custom Labels لمعالجة الصور.
- تقوم وظيفة AWS Lambda بعد ذلك بوضع ملف JSON الذي يحتوي على التسميات المستنتجة في المجموعة النهائية. يتم أيضًا نقل الصورة من حاوية المصدر إلى المجموعة النهائية.
- عند معالجة جميع الصور ، يقوم سير عمل AWS Step Functions بما يلي:
- توقف نموذج Amazon Rekognition Custom Labels.
- يقوم بتعطيل التكامل بين قائمة انتظار Amazon SQS ووظيفة AWS Lambda عن طريق تعطيل المشغل.
يوضح الرسم التخطيطي التالي آلة حالة AWS Step Functions لهذا الحل.
المتطلبات الأساسية المسبقة
لنشر هذا الحل ، أنت بحاجة إلى المتطلبات الأساسية التالية:
- حساب AWS مع إذن لنشر الحل باستخدام تكوين سحابة AWS، مما يخلق إدارة الهوية والوصول AWS (IAM) الأدوار والموارد الأخرى.
- يعد Amazon Resource Name (ARN) الخاص بمشروع Amazon Rekognition Custom Labels (يُشار إليه باسم مشروع) و Amazon Resource Name (ARN) لإصدار النموذج الذي تم إنشاؤه بعد تدريب النموذج (المشار إليه كـ بروجيكتفيرسيون). هذه القيم مطلوبة للتحقق من حالة النموذج وأيضًا لتحليل الصور باستخدام النموذج.
لمعرفة كيفية تدريب نموذج ، انظر بدء استخدام ملصقات Amazon Rekognition المخصصة.
قابل للفتح
لنشر الحل باستخدام AWS CloudFormation في حساب AWS الخاص بك ، اتبع الخطوات الواردة في ملف جيثب ريبو. يقوم بإنشاء الموارد التالية:
- حاوية Amazon S3
- قائمة انتظار Amazon SQS
- سير عمل AWS Step Functions
- قواعد Amazon EventBridge لبدء سير العمل
- أدوار IAM
- وظائف AWS Lambda
يمكنك رؤية أسماء الموارد المختلفة التي تم إنشاؤها بواسطة الحل في قسم الإخراج من مكدس CloudFormation.
اختبار سير العمل
لاختبار سير عملك ، أكمل الخطوات التالية:
- قم بتحميل عينة من الصور إلى حاوية الإدخال S3 التي تم إنشاؤها بواسطة الحل (على سبيل المثال ، xxxx-sources3bucket-xxxx).
- في وحدة التحكم في وظائف الخطوة ، اختر آلة الحالة التي تم إنشاؤها بواسطة الحل (على سبيل المثال ، CustomCVStateMachine-xxxx).
يجب أن ترى أن جهاز الحالة يتم تشغيله بواسطة قاعدة Amazon EventBridge كل ساعة.
- يمكنك بدء سير العمل يدويًا عن طريق الاختيار ابدأ التنفيذ.
- أثناء معالجة الصور ، يمكنك الانتقال إلى حاوية الإخراج S3 (على سبيل المثال ، xxxx-finals3bucket-xxxx) لمشاهدة إخراج JSON لكل صورة.
تُظهر لقطة الشاشة التالية محتويات حاوية S3 النهائية مع الصور ، جنبًا إلى جنب مع إخراج JSON المقابل لها من Amazon Rekognition Custom Labels.
وفي الختام
في هذا المنشور ، أوضحنا كيف يمكنك إنشاء حل دفعي مثالي من حيث التكلفة باستخدام Amazon Rekognition Custom Labels الذي يمكنه توفير نموذجك المخصص في أوقات محددة ومعالجة جميع صورك وإلغاء توفير مواردك لتجنب تكبد تكلفة إضافية. اعتمادًا على حالة الاستخدام الخاصة بك ، يمكنك بسهولة ضبط النافذة الزمنية المجدولة التي يجب أن يعالج فيها الحل الدُفعة. لمزيد من المعلومات حول كيفية إنشاء وتدريب وتقييم واستخدام نموذج يكتشف الكائنات والمشاهد والمفاهيم في الصور ، راجع البدء مع Amazon Rekognition Custom Labels.
بينما يوضح الحل الموضح في هذا المنشور كيف يمكنك معالجة الصور المجمعة باستخدام Amazon Rekognition Custom Labels ، يمكنك بسهولة تعديل الحل لمعالجة الصور المجمعة باستخدام أمازون لوك أوت فور فيجن للكشف عن العيوب والشذوذ. باستخدام Amazon Lookout for Vision ، يمكن لشركات التصنيع زيادة الجودة وتقليل التكاليف التشغيلية عن طريق تحديد الاختلافات بسرعة في صور الكائنات على نطاق واسع. على سبيل المثال ، يمكن استخدام Amazon Lookout for Vision لتحديد المكونات المفقودة في المنتجات ، والأضرار التي تلحق بالمركبات أو الهياكل ، والمخالفات في خطوط الإنتاج ، والعيوب الصغيرة في رقائق السيليكون ، وغيرها من المشكلات المماثلة. لمعرفة المزيد حول Amazon Lookout for Vision ، راجع دليل المطور.
حول المؤلف
راهول سريفاستافا هو مهندس حلول أول في Amazon Web Services ومقره في المملكة المتحدة. لديه خبرة معمارية واسعة في العمل مع عملاء المؤسسات الكبيرة. إنه يساعد عملائنا في الهندسة المعمارية ، وتبني السحابة ، وتطوير المنتجات لغرض والاستفادة من الذكاء الاصطناعي / تعلم الآلة لحل مشاكل الأعمال التجارية في العالم الحقيقي.
كاشف عمران هو مهندس حلول رئيسي في Amazon Web Services. إنه يعمل مع بعض أكبر عملاء AWS الذين يستفيدون من الذكاء الاصطناعي / تعلم الآلة لحل مشاكل الأعمال المعقدة. يقدم التوجيه الفني ونصائح التصميم لتنفيذ تطبيقات الرؤية الحاسوبية على نطاق واسع. تمتد خبرته إلى هندسة التطبيقات ، والخوادم ، والحاويات ، و NoSQL ، والتعلم الآلي.
