Αναγνώριση Amazon είναι μια υπηρεσία υπολογιστικής όρασης που καθιστά εύκολη την προσθήκη ανάλυσης εικόνας και βίντεο στις εφαρμογές σας χρησιμοποιώντας αποδεδειγμένη, εξαιρετικά επεκτάσιμη, τεχνολογία βαθιάς μάθησης που δεν απαιτεί καμία εμπειρία μηχανικής μάθησης (ML). Με το Amazon Recognition, μπορείτε να αναγνωρίσετε αντικείμενα, άτομα, κείμενο, σκηνές και δραστηριότητες σε εικόνες και βίντεο, καθώς και να εντοπίσετε τυχόν ακατάλληλο περιεχόμενο. Το Amazon Rekognition παρέχει επίσης πολύ ακριβείς αναλύσεις προσώπου και δυνατότητες αναζήτησης προσώπου που μπορείτε να χρησιμοποιήσετε για τον εντοπισμό, την ανάλυση και τη σύγκριση προσώπων για μια μεγάλη ποικιλία περιπτώσεων χρήσης.
Προσαρμοσμένες ετικέτες αναγνώρισης Amazon σας επιτρέπει να προσδιορίσετε τα αντικείμενα και τις σκηνές σε εικόνες που είναι συγκεκριμένες για τις επιχειρηματικές σας ανάγκες. Για παράδειγμα, μπορείτε να βρείτε το λογότυπό σας σε δημοσιεύσεις κοινωνικών μέσων, να προσδιορίσετε τα προϊόντα σας στα ράφια των καταστημάτων, να ταξινομήσετε τα μέρη του μηχανήματος σε μια γραμμή συναρμολόγησης, να διακρίνετε υγιή και μολυσμένα φυτά και πολλά άλλα. Η ανάρτηση ιστολογίου Δημιουργία της δικής σας ανίχνευσης επωνυμίας δείχνει πώς να χρησιμοποιήσετε το Amazon Recognition Custom Labels για να δημιουργήσετε μια ολοκληρωμένη λύση για τον εντοπισμό λογότυπων επωνυμίας σε εικόνες και βίντεο.
Το Amazon Rekognition Custom Labels παρέχει μια απλή εμπειρία από άκρο σε άκρο από όπου ξεκινάτε επισημαίνοντας ένα σύνολο δεδομένων και το Amazon Rekognition Custom Labels δημιουργεί ένα προσαρμοσμένο μοντέλο ML για εσάς, ελέγχοντας τα δεδομένα και επιλέγοντας τον κατάλληλο αλγόριθμο ML. Αφού εκπαιδευτεί το μοντέλο σας, μπορείτε να το χρησιμοποιήσετε αμέσως για ανάλυση εικόνας. Εάν θέλετε να επεξεργαστείτε εικόνες σε παρτίδες (όπως μία φορά την ημέρα ή την εβδομάδα ή σε προγραμματισμένες ώρες κατά τη διάρκεια της ημέρας), μπορείτε να παρέχετε το προσαρμοσμένο μοντέλο σας σε προγραμματισμένες ώρες.
Σε αυτήν την ανάρτηση, παρουσιάζουμε τον τρόπο με τον οποίο μπορείτε να δημιουργήσετε μια βέλτιστη λύση παρτίδας με τις Προσαρμοσμένες Ετικέτες Amazon Recognition που παρέχει το προσαρμοσμένο μοντέλο σας σε προγραμματισμένες ώρες, επεξεργάζεται όλες τις εικόνες σας και καταργεί τους πόρους σας για να αποφύγετε επιπλέον κόστος.
Επισκόπηση της λύσης
Το ακόλουθο διάγραμμα αρχιτεκτονικής δείχνει πώς μπορείτε να σχεδιάσετε μια οικονομικά αποδοτική και πολύ επεκτάσιμη ροή εργασίας για την επεξεργασία εικόνων σε παρτίδες με το Amazon Recognition Custom Labels. Εκμεταλλεύεται τις υπηρεσίες AWS όπως Amazon EventBridge, Λειτουργίες βημάτων AWS, Υπηρεσία απλής ουράς Amazon (Amazon SQS), AWS Lambda, να Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
Αυτή η λύση χρησιμοποιεί αρχιτεκτονική χωρίς διαχείριση και διαχειριζόμενες υπηρεσίες, οπότε μπορεί να κλιμακωθεί κατά παραγγελία και δεν απαιτεί παροχή και διαχείριση διακομιστών. Η ουρά Amazon SQS αυξάνει τη συνολική ανοχή σφαλμάτων της λύσης αποσυνδέοντας την απορρόφηση εικόνας από την επεξεργασία εικόνας και επιτρέποντας την αξιόπιστη παράδοση μηνυμάτων για κάθε ληφθείσα εικόνα. Το Step Functions καθιστά εύκολη τη δημιουργία οπτικών ροών εργασίας για την ενορχήστρωση μιας σειράς μεμονωμένων εργασιών, όπως ο έλεγχος εάν μια εικόνα είναι διαθέσιμη για επεξεργασία και διαχείριση του κύκλου ζωής κατάστασης του έργου Amazon Recognition Custom Labels. Παρόλο που η ακόλουθη αρχιτεκτονική δείχνει πώς μπορείτε να δημιουργήσετε μια λύση επεξεργασίας παρτίδων για Amazon Recognition Custom Labels χρησιμοποιώντας AWS Lambda, μπορείτε να δημιουργήσετε μια παρόμοια αρχιτεκτονική χρησιμοποιώντας υπηρεσίες όπως AWS Fargate.
Τα ακόλουθα βήματα περιγράφουν τη συνολική ροή εργασίας:
- Καθώς μια εικόνα αποθηκεύεται στον κάδο Amazon S3, ενεργοποιεί ένα μήνυμα που αποθηκεύεται σε μια ουρά Amazon SQS.
- Το Amazon EventBridge έχει ρυθμιστεί ώστε να ενεργοποιεί μια ροή εργασίας AWS Step Functions σε μια συγκεκριμένη συχνότητα (1 ώρα από προεπιλογή).
- Καθώς η ροή εργασίας εκτελείται, εκτελεί τις ακόλουθες ενέργειες:
- Ελέγχει τον αριθμό των στοιχείων στην ουρά Amazon SQS. Εάν δεν υπάρχουν στοιχεία για επεξεργασία στην ουρά, η ροή εργασίας τελειώνει.
- Εάν υπάρχουν στοιχεία για επεξεργασία στην ουρά, η ροή εργασίας ξεκινά το μοντέλο Custom Records Amazon Recognition.
- Η ροή εργασίας επιτρέπει την ενσωμάτωση του Amazon SQS με μια λειτουργία AWS Lambda για την επεξεργασία αυτών των εικόνων.
- Καθώς είναι δυνατή η ενοποίηση μεταξύ της ουράς Amazon SQS και AWS Lambda, εμφανίζονται τα ακόλουθα συμβάντα:
- Το AWS Lambda ξεκινά την επεξεργασία μηνυμάτων με τις λεπτομέρειες της εικόνας από το Amazon SQS.
- Η συνάρτηση AWS Lambda χρησιμοποιεί το Amazon Custom Recognition Custom Labels για την επεξεργασία των εικόνων.
- Στη συνέχεια, η συνάρτηση AWS Lambda τοποθετεί το αρχείο JSON που περιέχει τις συμπερασμένες ετικέτες στον τελικό κάδο. Η εικόνα μετακινείται επίσης από τον κάδο προέλευσης στον τελικό κάδο.
- Κατά την επεξεργασία όλων των εικόνων, η ροή εργασιών AWS Step Functions κάνει τα εξής:
- Σταματά το μοντέλο προσαρμοσμένων ετικετών Amazon Recognition.
- Απενεργοποιεί την ενοποίηση μεταξύ της ουράς Amazon SQS και της λειτουργίας AWS Lambda απενεργοποιώντας τη σκανδάλη.
Το παρακάτω διάγραμμα απεικονίζει το μηχάνημα κατάστασης AWS Step Functions για αυτήν τη λύση.
Προϋποθέσεις
Για να αναπτύξετε αυτήν τη λύση, χρειάζεστε τις ακόλουθες προϋποθέσεις:
- Ένας λογαριασμός AWS με άδεια χρήσης της λύσης χρησιμοποιώντας AWS CloudFormation, που δημιουργεί Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλοι και άλλοι πόροι.
- Το όνομα πόρου Amazon (ARN) του έργου Amazon Recognition Custom Labels (αναφέρεται ως ProjectArn) και το Amazon Resource Name (ARN) της έκδοσης του μοντέλου που δημιουργήθηκε μετά την εκπαίδευση του μοντέλου (αναφέρεται ως ProjectVersionArn). Αυτές οι τιμές απαιτούνται για τον έλεγχο της κατάστασης του μοντέλου και επίσης για την ανάλυση εικόνων χρησιμοποιώντας το μοντέλο.
Για να μάθετε πώς να εκπαιδεύσετε ένα μοντέλο, δείτε Ξεκινώντας με τις προσαρμοσμένες ετικέτες αναγνώρισης του Amazon.
Ανάπτυξη
Για να αναπτύξετε τη λύση χρησιμοποιώντας AWS CloudFormation στο λογαριασμό σας AWS, ακολουθήστε τα βήματα στο GitHub repo. Δημιουργεί τους ακόλουθους πόρους:
- Κάδος Amazon S3
- Ουρά Amazon SQS
- Ροή εργασιών AWS Step Functions
- Οι κανόνες του Amazon EventBridge ενεργοποιούν τη ροή εργασίας
- Ρόλοι IAM
- Λειτουργίες AWS Lambda
Μπορείτε να δείτε τα ονόματα των διαφορετικών πόρων που δημιουργούνται από τη λύση στην ενότητα εξόδου του Στοίβα CloudFormation.
Δοκιμή της ροής εργασίας
Για να ελέγξετε τη ροή εργασίας σας, ακολουθήστε τα παρακάτω βήματα:
- Ανεβάστε δείγματα εικόνων στον κάδο εισόδου S3 που δημιουργήθηκε από τη λύση (για παράδειγμα, xxxx-source3bucket-xxxx).
- Στην κονσόλα Step Functions, επιλέξτε το μηχάνημα κατάστασης που δημιουργήθηκε από τη λύση (για παράδειγμα, CustomCVStateMachine-xxxx).
Θα πρέπει να βλέπετε ότι η μηχανή κατάστασης ενεργοποιείται από τον κανόνα Amazon EventBridge κάθε ώρα.
- Μπορείτε να ξεκινήσετε με μη αυτόματο τρόπο τη ροή εργασίας επιλέγοντας Ξεκινήστε την εκτέλεση.
- Καθώς επεξεργάζονται οι εικόνες, μπορείτε να μεταβείτε στον κάδο εξόδου S3 (για παράδειγμα, xxxx-finals3bucket-xxxx) για να δείτε την έξοδο JSON για κάθε εικόνα.
Το παρακάτω στιγμιότυπο οθόνης δείχνει τα περιεχόμενα του τελικού κάδου S3 με τις εικόνες, μαζί με την αντίστοιχη έξοδο JSON από το Amazon Rekognition Custom Labels.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς μπορείτε να δημιουργήσετε μια βέλτιστη λύση κατά παρτίδες με τις προσαρμοσμένες ετικέτες Amazon Recognition που μπορούν να παρέχουν το προσαρμοσμένο μοντέλο σας σε προγραμματισμένες ώρες, να επεξεργάζεστε όλες τις εικόνες σας και να καταργείτε τους πόρους σας για να αποφύγετε επιπλέον κόστος. Ανάλογα με την περίπτωση χρήσης σας, μπορείτε εύκολα να προσαρμόσετε το προγραμματισμένο χρονικό παράθυρο στο οποίο η λύση θα πρέπει να επεξεργαστεί τη δέσμη. Για περισσότερες πληροφορίες σχετικά με τον τρόπο δημιουργίας, εκπαίδευσης, αξιολόγησης και χρήσης ενός μοντέλου που εντοπίζει αντικείμενα, σκηνές και έννοιες στις εικόνες, δείτε ξεκινώντας με το Amazon Recognition Custom Labels.
Ενώ η λύση που περιγράφεται σε αυτήν την ανάρτηση έδειξε πώς μπορείτε να επεξεργαστείτε εικόνες παρτίδας με Amazon Recognition Custom Labels, μπορείτε εύκολα να τροποποιήσετε τη λύση για την επεξεργασία παρτίδων με Amazon Lookout for Vision για ανίχνευση ελαττωμάτων και ανωμαλιών. Με το Amazon Lookout for Vision, οι κατασκευαστικές εταιρείες μπορούν να αυξήσουν την ποιότητα και να μειώσουν το λειτουργικό κόστος εντοπίζοντας γρήγορα διαφορές σε εικόνες αντικειμένων σε κλίμακα. Για παράδειγμα, το Amazon Lookout for Vision μπορεί να χρησιμοποιηθεί για τον εντοπισμό στοιχείων που λείπουν σε προϊόντα, ζημιών σε οχήματα ή κατασκευές, ανωμαλίες στις γραμμές παραγωγής, ελαττωματικά ελαττώματα στις γκοφρέτες πυριτίου και άλλα παρόμοια προβλήματα. Για να μάθετε περισσότερα σχετικά με το Amazon Lookout for Vision, δείτε τον οδηγό προγραμματιστή.
Σχετικά με τους Συγγραφείς
Ραχούλ Σριβαστάβα είναι ανώτερος αρχιτέκτονας λύσεων στο Amazon Web Services και εδρεύει στο Ηνωμένο Βασίλειο. Διαθέτει εκτεταμένη εμπειρία αρχιτεκτονικής σε συνεργασία με πελάτες μεγάλων επιχειρήσεων. Βοηθά τους πελάτες μας με την αρχιτεκτονική, την υιοθέτηση του cloud, την ανάπτυξη προϊόντων με σκοπό και εκμεταλλεύεται το AI / ML για την επίλυση πραγματικών επιχειρηματικών προβλημάτων.
Κασίφ ranμραν είναι Αρχιτέκτονας Κύριων Λύσεων στο Amazon Web Services. Συνεργάζεται με μερικούς από τους μεγαλύτερους πελάτες AWS που εκμεταλλεύονται το AI / ML για την επίλυση σύνθετων επιχειρηματικών προβλημάτων. Παρέχει τεχνική καθοδήγηση και συμβουλές σχεδιασμού για την εφαρμογή εφαρμογών όρασης υπολογιστή σε κλίμακα. Η εμπειρία του καλύπτει την αρχιτεκτονική εφαρμογών, χωρίς διακομιστές, κοντέινερ, NoSQL και μηχανική μάθηση.
