Rekognisi Amazon adalah layanan visi komputer yang memudahkan untuk menambahkan analisis gambar dan video ke aplikasi Anda menggunakan teknologi pembelajaran mendalam yang terbukti, sangat skalabel, dan tidak memerlukan keahlian pembelajaran mesin (ML) untuk digunakan. Dengan Amazon Rekognition, Anda dapat mengidentifikasi objek, orang, teks, adegan, dan aktivitas dalam gambar dan video, serta mendeteksi konten yang tidak pantas. Amazon Rekognition juga menyediakan analisis wajah yang sangat akurat dan kemampuan pencarian wajah yang dapat Anda gunakan untuk mendeteksi, menganalisis, dan membandingkan wajah untuk berbagai kasus penggunaan.
Label Kustom Amazon Rekognition memungkinkan Anda mengidentifikasi objek dan pemandangan dalam gambar yang spesifik untuk kebutuhan bisnis Anda. Misalnya, Anda dapat menemukan logo Anda di pos media sosial, mengidentifikasi produk Anda di rak toko, mengklasifikasikan suku cadang mesin di jalur perakitan, membedakan tanaman yang sehat dan yang terinfeksi, dan banyak lagi. Postingan blog Membangun deteksi merek Anda sendiri menunjukkan cara menggunakan Label Kustom Amazon Rekognition untuk membangun solusi menyeluruh guna mendeteksi logo merek dalam gambar dan video.
Label Kustom Amazon Rekognition memberikan pengalaman ujung ke ujung yang sederhana di mana Anda memulai dengan memberi label pada kumpulan data, dan Label Kustom Amazon Rekognition membuat model ML khusus untuk Anda dengan memeriksa data dan memilih algoritme ML yang tepat. Setelah model Anda dilatih, Anda dapat segera mulai menggunakannya untuk analisis gambar. Jika Anda ingin memproses gambar dalam batch (seperti sekali sehari atau seminggu, atau pada waktu yang dijadwalkan sepanjang hari), Anda dapat menyediakan model kustom Anda pada waktu yang dijadwalkan.
Dalam posting ini, kami menunjukkan bagaimana Anda dapat membangun solusi batch yang hemat biaya dengan Label Kustom Amazon Rekognition yang menyediakan model kustom Anda pada waktu yang dijadwalkan, memproses semua gambar Anda, dan mencabut sumber daya Anda untuk menghindari biaya tambahan.
Ikhtisar solusi
Diagram arsitektur berikut menunjukkan bagaimana Anda dapat merancang alur kerja yang hemat biaya dan sangat skalabel untuk memproses gambar dalam kumpulan dengan Label Kustom Amazon Rekognition. Ini memanfaatkan layanan AWS seperti Jembatan Acara Amazon, Fungsi Langkah AWS, Layanan Antrian Sederhana Amazon (Amazon SQ), AWS Lambda, dan Layanan Penyimpanan Sederhana Amazon (Amazon S3).
Solusi ini menggunakan arsitektur tanpa server dan layanan terkelola, sehingga dapat diskalakan sesuai permintaan dan tidak memerlukan penyediaan dan pengelolaan server apa pun. Antrean Amazon SQS meningkatkan toleransi kesalahan keseluruhan dari solusi dengan memisahkan penyerapan gambar dari pemrosesan gambar dan memungkinkan pengiriman pesan yang andal untuk setiap gambar yang diserap. Step Functions memudahkan untuk membangun alur kerja visual untuk mengatur serangkaian tugas individual, seperti memeriksa apakah gambar tersedia untuk memproses dan mengelola siklus hidup status proyek Amazon Rekognition Custom Labels. Meskipun arsitektur berikut menunjukkan bagaimana Anda dapat membangun solusi pemrosesan batch untuk Label Kustom Amazon Rekognition menggunakan AWS Lambda, Anda dapat membangun arsitektur serupa menggunakan layanan seperti Fargate AWS.
Langkah-langkah berikut menjelaskan alur kerja secara keseluruhan:
- Saat gambar disimpan di bucket Amazon S3, itu memicu pesan yang disimpan dalam antrean Amazon SQS.
- Amazon EventBridge dikonfigurasi untuk memicu alur kerja AWS Step Functions pada frekuensi tertentu (1 jam secara default).
- Saat alur kerja berjalan, ia melakukan tindakan berikut:
- Ini memeriksa jumlah item dalam antrian Amazon SQS. Jika tidak ada item untuk diproses dalam antrian, alur kerja berakhir.
- Jika ada item untuk diproses dalam antrean, alur kerja akan memulai model Label Kustom Amazon Rekognition.
- Alur kerja memungkinkan integrasi Amazon SQS dengan fungsi AWS Lambda untuk memproses gambar tersebut.
- Saat integrasi antara antrean Amazon SQS dan AWS Lambda diaktifkan, peristiwa berikut akan terjadi:
- AWS Lambda mulai memproses pesan dengan detail gambar dari Amazon SQS.
- Fungsi AWS Lambda menggunakan proyek Label Kustom Amazon Rekognition untuk memproses gambar.
- Fungsi AWS Lambda kemudian menempatkan file JSON yang berisi label inferensi di bucket terakhir. Gambar juga dipindahkan dari ember sumber ke ember terakhir.
- Saat semua gambar diproses, alur kerja AWS Step Functions melakukan hal berikut:
- Ini menghentikan model Label Kustom Amazon Rekognition.
- Ini menonaktifkan integrasi antara antrean Amazon SQS dan fungsi AWS Lambda dengan menonaktifkan pemicu.
Diagram berikut mengilustrasikan mesin status AWS Step Functions untuk solusi ini.
Prasyarat
Untuk menyebarkan solusi ini, Anda memerlukan prasyarat berikut:
- Akun AWS dengan izin untuk menerapkan solusi menggunakan Formasi AWS Cloud, yang menciptakan Identitas AWS dan Manajemen Akses (IAM) peran dan sumber daya lainnya.
- Nama Sumber Daya Amazon (ARN) dari proyek Label Kustom Amazon Rekognition (disebut sebagai ProyekArn) dan Amazon Resource Name (ARN) dari versi model yang dibuat setelah melatih model (dirujuk sebagai Versi ProyekArn). Nilai-nilai ini diperlukan untuk memeriksa status model dan juga untuk menganalisis gambar menggunakan model.
Untuk mempelajari cara melatih model, lihat Memulai dengan Label Kustom Amazon Rekognition.
Penyebaran
Untuk menerapkan solusi menggunakan AWS CloudFormation di akun AWS Anda, ikuti langkah-langkah di GitHub repo. Ini menciptakan sumber daya berikut:
- Keranjang Amazon S3
- Antrean Amazon SQS
- Alur kerja AWS Step Functions
- Aturan Amazon EventBridge untuk memicu alur kerja
- Peran IAM
- Fungsi AWS Lambda
Anda dapat melihat nama-nama sumber daya yang berbeda yang dibuat oleh solusi di bagian output dari Tumpukan CloudFormation.
Menguji alur kerja
Untuk menguji alur kerja Anda, selesaikan langkah-langkah berikut:
- Unggah gambar sampel ke bucket S3 input yang dibuat oleh solusi (misalnya, xxxx-sources3bucket-xxxx).
- Pada konsol Step Functions, pilih mesin status yang dibuat oleh solusi (misalnya, CustomCVStateMachine-xxxx).
Anda akan melihat mesin status dipicu oleh aturan Amazon EventBridge setiap jam.
- Anda dapat memulai alur kerja secara manual dengan memilih Mulai eksekusi.
- Saat gambar diproses, Anda dapat membuka bucket S3 keluaran (misalnya, xxxx-finals3bucket-xxxx) untuk melihat keluaran JSON untuk setiap gambar.
Tangkapan layar berikut menunjukkan isi keranjang S3 terakhir dengan gambar, bersama dengan keluaran JSON terkait dari Label Kustom Amazon Rekognition.
Kesimpulan
Dalam posting ini, kami menunjukkan bagaimana Anda dapat membangun solusi batch yang hemat biaya dengan Label Kustom Amazon Rekognition yang dapat menyediakan model kustom Anda pada waktu yang dijadwalkan, memproses semua gambar Anda, dan mencabut sumber daya Anda untuk menghindari biaya tambahan. Bergantung pada kasus penggunaan Anda, Anda dapat dengan mudah menyesuaikan jendela waktu terjadwal di mana solusi harus memproses batch. Untuk informasi selengkapnya tentang cara membuat, melatih, mengevaluasi, dan menggunakan model yang mendeteksi objek, pemandangan, dan konsep dalam gambar, lihat memulai dengan Label Kustom Amazon Rekognition.
Sementara solusi yang dijelaskan dalam posting ini menunjukkan bagaimana Anda dapat memproses gambar batch dengan Label Kustom Amazon Rekognition, Anda dapat dengan mudah mengubah solusi untuk memproses gambar batch dengan Amazon Lookout untuk Visi untuk deteksi cacat dan anomali. Dengan Amazon Lookout for Vision, perusahaan manufaktur dapat meningkatkan kualitas dan mengurangi biaya operasional dengan mengidentifikasi perbedaan gambar objek dalam skala besar dengan cepat. Misalnya, Amazon Lookout for Vision dapat digunakan untuk mengidentifikasi komponen yang hilang dalam produk, kerusakan pada kendaraan atau struktur, ketidakteraturan dalam jalur produksi, cacat kecil pada wafer silikon, dan masalah serupa lainnya. Untuk mempelajari lebih lanjut tentang Amazon Lookout for Vision, lihat panduan pengembang.
Tentang Penulis
Rahul Srivastava adalah Arsitek Solusi Senior di Amazon Web Services dan berbasis di Inggris. Dia memiliki pengalaman arsitektur yang luas bekerja dengan pelanggan perusahaan besar. Dia membantu pelanggan kami dengan arsitektur, adopsi cloud, mengembangkan produk dengan tujuan dan memanfaatkan AI/ML untuk memecahkan masalah bisnis dunia nyata.
Kasif Imran adalah Arsitek Solusi Utama di Amazon Web Services. Dia bekerja dengan beberapa pelanggan AWS terbesar yang memanfaatkan AI/ML untuk memecahkan masalah bisnis yang kompleks. Dia memberikan bimbingan teknis dan saran desain untuk mengimplementasikan aplikasi visi komputer dalam skala besar. Keahliannya mencakup arsitektur aplikasi, tanpa server, container, NoSQL, dan pembelajaran mesin.
