Amazonin tunnistus on tietokonenäköpalvelu, jonka avulla on helppo lisätä kuva- ja videoanalyysejä sovelluksiisi käyttämällä todistettua, erittäin skaalautuvaa, syvällistä oppimistekniikkaa, jonka käyttö ei vaadi koneoppimista (ML). Amazon Rekognition -palvelun avulla voit tunnistaa esineitä, ihmisiä, tekstiä, kohtauksia ja toimintoja kuvissa ja videoissa sekä havaita sopimattoman sisällön. Amazon Rekognition tarjoaa myös erittäin tarkan kasvojen analyysin ja kasvojen hakuominaisuudet, joita voit käyttää kasvojen havaitsemiseen, analysointiin ja vertaamiseen monenlaisissa käyttötapauksissa.
Amazon Rekognition mukautetut etiketit avulla voit tunnistaa kuvissa olevat kohteet ja kohtaukset, jotka vastaavat yrityksesi tarpeita. Voit esimerkiksi löytää logosi sosiaalisen median viesteistä, tunnistaa tuotteesi kaupan hyllyillä, luokitella koneen osat kokoonpanolinjalle, erottaa terveelliset ja tartunnan saaneet kasvit ja paljon muuta. Blogiviesti Rakenna oma tuotemerkkitunnistus näyttää, kuinka Amazon Rekognition Custom Labels -sovelluksen avulla voidaan rakentaa end-to-end-ratkaisu tuotemerkkien logojen havaitsemiseksi kuvissa ja videoissa.
Amazon Rekognition Custom Labels tarjoaa yksinkertaisen päästä päähän -kokemuksen, jossa aloitat merkitsemällä tietojoukon, ja Amazon Rekognition Custom Labels rakentaa sinulle mukautetun ML-mallin tarkastamalla tiedot ja valitsemalla oikean ML-algoritmin. Kun mallisi on koulutettu, voit aloittaa sen käytön heti kuvan analysointiin. Jos haluat käsitellä kuvia erissä (kuten kerran päivässä tai viikossa tai aikataulun mukaan päivän aikana), voit toimittaa mukautetun mallisi aikataulun mukaan.
Tässä viestissä näytämme, kuinka voit rakentaa kustannusoptimaalisen eräratkaisun Amazon Rekognition Custom Labels -sovelluksella, joka huolehtii mukautetusta mallista aikataulun mukaan, käsittelee kaikki kuvat ja poistaa resurssit käytöstä lisäkustannusten välttämiseksi.
Katsaus ratkaisuun
Seuraava arkkitehtuurikaavio näyttää, kuinka voit suunnitella kustannustehokkaan ja erittäin skaalautuvan työnkulun kuvien käsittelyyn erissä Amazon Rekognition Custom Labels -sovellusten avulla. Se hyödyntää AWS-palveluja, kuten Amazon EventBridge, AWS-vaihetoiminnot, Amazonin yksinkertainen jonopalvelu (Amazon SQS), AWS Lambdaja Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
Tämä ratkaisu käyttää palvelimetonta arkkitehtuuria ja hallittuja palveluita, joten se voi skaalata kysynnän mukaan eikä vaadi palvelimien hallintaa ja hallintaa. Amazonin SQS-jono lisää ratkaisun yleistä vikasietoisuutta irrottamalla kuvan syömisen kuvankäsittelystä ja mahdollistamalla luotettavan viestien toimittamisen jokaiselle syötetylle kuvalle. Vaihefunktioiden avulla on helppo luoda visuaalisia työnkulkuja järjestämään useita yksittäisiä tehtäviä, kuten tarkistamaan, onko kuva käytettävissä käsittelyyn ja hallita Amazon Rekognition Custom Labels -projektin tilan elinkaarta. Vaikka seuraava arkkitehtuuri osoittaa, kuinka voit luoda eräkäsittelyratkaisun Amazon Rekognition Custom Labels -palveluun AWS Lambdaa käyttämällä, voit rakentaa samanlaisen arkkitehtuurin esimerkiksi AWS-veljeskunta.
Seuraavat vaiheet kuvaavat koko työnkulun:
- Koska kuva on tallennettu Amazon S3 -säilöön, se laukaisee viestin, joka tallennetaan Amazon SQS -jonoon.
- Amazon EventBridge on määritetty käynnistämään AWS Step Functions -työnkulku tietyllä taajuudella (oletusarvoisesti 1 tunti).
- Työnkulun suoritettaessa se suorittaa seuraavat toimet:
- Se tarkistaa Amazon SQS -jonon kohteiden määrän. Jos jonossa ei ole käsiteltäviä kohteita, työnkulku päättyy.
- Jos jonossa on käsiteltäviä kohteita, työnkulku käynnistää Amazon Rekognition Custom Labels -mallin.
- Työnkulku mahdollistaa Amazon SQS -integraation AWS Lambda -toiminnon kanssa näiden kuvien käsittelemiseksi.
- Kun Amazon SQS -jonon ja AWS Lambda -integraatio on käytössä, seuraavat tapahtumat tapahtuvat:
- AWS Lambda alkaa käsitellä viestejä Amazon SQS: n kuvan yksityiskohdilla.
- AWS Lambda -toiminto käyttää Amazon Rekognition Custom Labels -projektia kuvien käsittelyyn.
- AWS Lambda -toiminto sijoittaa sitten päätetyt tarrat sisältävän JSON-tiedoston viimeiseen ryhmään. Kuva siirretään myös lähdeastiasta viimeiseen ämpäriin.
- Kun kaikki kuvat on käsitelty, AWS Step Functions -työnkulku toimii seuraavasti:
- Se pysäyttää Amazon Rekognition Custom Labels -mallin.
- Se poistaa Amazon SQS -jonon ja AWS Lambda -toiminnon integroinnin käytöstä poistamalla liipaisimen.
Seuraava kaavio kuvaa tämän ratkaisun AWS Step Functions -tilakonetta.
Edellytykset
Tämän ratkaisun käyttöönotto edellyttää seuraavia edellytyksiä:
- AWS-tili, jolla on lupa käyttää ratkaisua AWS-pilven muodostuminen, joka luo AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) -roolit ja muut resurssit.
- Amazon Rekognition Custom Labels - projektin (viitattu nimellä ProjektiArn) ja malliversion Amazon Resource Name (ARN), joka luotiin mallin koulutuksen jälkeen (viitattu nimellä ProjectVersionArn). Näitä arvoja tarvitaan mallin tilan tarkistamiseen ja myös kuvien analysointiin mallin avulla.
Jos haluat oppia mallin kouluttamisesta, katso Amazon Rekognition Custom Labels -sovelluksen käytön aloittaminen.
käyttöönoton
Asenna ratkaisu AWS-tilisi AWS CloudFormation -ominaisuuden avulla noudattamalla GitHub repo. Se luo seuraavat resurssit:
- Amazon S3 -kauha
- Amazon SQS -jono
- AWS Step Functions -työnkulku
- Amazon EventBridge -säännöt käynnistävät työnkulun
- IAM-roolit
- AWS Lambda -toiminnot
Näet ratkaisun luomien eri resurssien nimet Resurssien lähtöosassa CloudFormation-pino.
Työnkulun testaaminen
Testaa työnkulku suorittamalla seuraavat vaiheet:
- Lataa esimerkkikuvat ratkaisun luomaan S3-tuloryhmään (esimerkiksi xxxx-sources3bucket-xxxx).
- Valitse Step Functions -konsolissa ratkaisun luoma tilakone (esimerkiksi CustomCVStateMachine-xxxx).
Sinun pitäisi nähdä, että Amazon EventBridge-sääntö laukaisee tilakoneen joka tunti.
- Voit aloittaa työnkulun manuaalisesti valitsemalla Aloita suoritus.
- Kun kuvia käsitellään, voit siirtyä S3-ulostuloryhmään (esimerkiksi xxxx-finals3bucket-xxxx) nähdäksesi jokaisen kuvan JSON-lähdön.
Seuraava kuvakaappaus näyttää viimeisen S3-ämpärin sisällön kuvien kanssa sekä niitä vastaavan JSON-lähdön Amazon Rekognition Custom Labels -sovelluksesta.
Yhteenveto
Tässä viestissä osoitimme, kuinka voit rakentaa kustannusoptimaalisen eräratkaisun Amazon Rekognition Custom Labels -sovelluksella, joka voi toimittaa mukautetun mallisi aikataulun mukaan, käsitellä kaikkia kuvia ja poistaa resurssejasi välttääksesi lisäkustannuksia. Käyttötapauksesta riippuen voit helposti säätää ajoitettua aikaikkunaa, jossa ratkaisun tulisi käsitellä erä. Lisätietoja kuvien esineitä, kohtauksia ja käsitteitä tunnistavan mallin luomisesta, kouluttamisesta, arvioinnista ja käytöstä on kohdassa Amazon Rekognition Custom Labels -sovelluksen käytön aloittaminen.
Vaikka tässä viestissä kuvattu ratkaisu osoitti, kuinka voit käsitellä eräkuvia Amazon Rekognition Custom Labels -sovelluksilla, voit helposti säätää ratkaisua eräkuvien käsittelyyn Amazon Lookout for Vision vikojen ja poikkeavuuksien havaitsemiseen. Amazon Lookout for Vision -sovelluksen avulla valmistusyritykset voivat parantaa laatua ja alentaa toimintakustannuksia tunnistamalla nopeasti eroja esineiden kuvissa mittakaavassa. Esimerkiksi Amazon Lookout for Vision -sovellusta voidaan käyttää tuotteiden puuttuvien komponenttien, ajoneuvojen tai rakenteiden vaurioitumiseen, tuotantolinjojen epäsäännöllisyyksiin, piikiekkojen vähäisiin virheisiin ja muihin vastaaviin ongelmiin. Lisätietoja Amazon Lookout for Vision -sovelluksesta on kehittäjän opas.
Tietoja Tekijät
Rahul Srivastava on Amazon Web Servicesin vanhempi ratkaisuarkkitehti ja kotipaikka on Iso-Britannia. Hänellä on laaja arkkitehtuurikokemus työskennellessään suuryritysten asiakkaiden kanssa. Hän auttaa asiakkaitamme arkkitehtuurissa, pilvipalvelujen käyttöönotossa, tuotteiden kehittämisessä ja AI: n / ML: n hyödyntämisessä ratkaisemaan todellisen liiketoiminnan ongelmia.
Kashif Imran on Amazon Web Services -yrityksen pääratkaisuarkkitehti. Hän työskentelee joidenkin suurimpien AWS-asiakkaiden kanssa, jotka käyttävät tekoälyä / ML: ää hyödyntämällä monimutkaisia liiketoimintaongelmia. Hän tarjoaa teknistä ohjausta ja suunnitteluneuvoja tietokoneiden visiosovellusten toteuttamiseksi mittakaavassa. Hänen asiantuntemuksensa kattaa sovellusarkkitehtuurin, palvelimeton, kontit, NoSQL: n ja koneoppimisen.
