אמזון הוא שירות ראיית מחשב שמקל על הוספת ניתוח תמונות ווידאו ליישומים שלך באמצעות טכנולוגיית למידה עמוקה וניתנת להרחבה, שאינה מצריכה שימוש במומחיות למידת מכונה (ML). באמצעות Amazon Recognition תוכלו לזהות אובייקטים, אנשים, טקסט, סצנות ופעילויות בתמונות ובסרטונים, כמו גם לזהות כל תוכן לא הולם. ההכרה של אמזון מספקת גם יכולות ניתוח פנים מדויקות ביותר ויכולות חיפוש פנים בהן תוכלו להשתמש כדי לזהות, לנתח ולהשוות פנים עבור מגוון רחב של מקרי שימוש.
תוויות מותאמות אישית של Amazon Rekognition מאפשר לך לזהות את האובייקטים והסצנות בתמונות הספציפיות לצרכים העסקיים שלך. לדוגמא, תוכלו למצוא את הלוגו שלכם בפוסטים ברשתות החברתיות, לזהות את המוצרים שלכם על מדפי החנויות, לסווג חלקי מכונה בקו הרכבה, להבחין בין צמחים בריאים ונדבקים ועוד. הפוסט בבלוג בניית איתור מותג משלך מראה כיצד להשתמש בתוויות מותאמות אישית של Amazon Rekognition לבניית פתרון מקצה לקצה לאיתור לוגו מותג בתמונות ובסרטונים.
תוויות המותאמות אישית של Amazon Rekognition מספקות חוויה פשוטה מקצה לקצה בה אתה מתחיל בסימון מערך נתונים, ו- Amazon Rekognition Custom Labels בונה עבורך מודל ML מותאם אישית על ידי בדיקת הנתונים ובחירת האלגוריתם הנכון של ML. לאחר הכשרת המודל שלך, תוכל להתחיל להשתמש בו באופן מיידי לניתוח תמונות. אם ברצונך לעבד תמונות בקבוצות (כגון פעם ביום או בשבוע, או בשעות קבועות במהלך היום), תוכל לספק את המודל המותאם אישית שלך בשעות קבועות.
בפוסט זה אנו מראים כיצד ניתן לבנות פתרון אצווה בעלות אופטימלית בעלות תוויות מותאמות אישית של Amazon Rekognition המספק את המודל המותאם אישית שלך במועדים מתוזמנים, מעבד את כל התמונות שלך ומפקיע את המשאבים שלך כדי למנוע עלות נוספת.
סקירה כללית של הפיתרון
תרשים הארכיטקטורה הבא מראה כיצד ניתן לעצב זרימת עבודה חסכונית וניתנת להרחבה לעיבוד תמונות בקבוצות באמצעות תוויות מותאמות אישית של Amazon Rekognition. הוא מנצל את שירותי AWS כגון אמזון EventBridge, פונקציות שלב AWS, שירות תורים פשוט של אמזון (אמזון SQS), AWS למבדה, ו שירות אחסון פשוט של אמזון (אמזון S3).
פתרון זה משתמש בארכיטקטורה ללא שרתים ובשירותים מנוהלים, כך שהוא יכול להתמקד לפי דרישה ואינו דורש הקצאה וניהול שרתים כלשהם. תור ה- SQS של אמזון מגדיל את סובלנות התקלות הכוללת של הפתרון על ידי ניתוק בליעת התמונה מעיבוד התמונה ומאפשר מסירה מהימנה של הודעות לכל תמונה שנבלעה. פונקציות Step מקלות על בניית תהליכי עבודה חזותיים לתזמורת סדרה של משימות בודדות, כמו למשל לבדוק אם תמונה זמינה לעיבוד וניהול מחזור החיים של המדינה בפרויקט Amazon Recognition Custom Labels. למרות שהארכיטקטורה הבאה מראה כיצד ניתן לבנות פתרון לעיבוד אצווה עבור תוויות התאמה אישית של Amazon Rekognition באמצעות AWS Lambda, ניתן לבנות ארכיטקטורה דומה באמצעות שירותים כגון AWS פרגייט.
השלבים הבאים מתארים את זרימת העבודה הכוללת:
- מאחר שתמונה מאוחסנת בדלי S3 של אמזון, היא מפעילה הודעה שנשמרת בתור SQS של אמזון.
- אמזון EventBridge מוגדר להפעיל זרימת עבודה של AWS Step Fun בתדירות מסוימת (שעה כברירת מחדל).
- תוך כדי זרימת העבודה היא מבצעת את הפעולות הבאות:
- זה בודק את מספר הפריטים בתור SQS של אמזון. אם אין פריטים לעיבוד בתור, זרימת העבודה מסתיימת.
- אם יש פריטים לעיבוד בתור, זרימת העבודה מפעילה את מודל התוויות המותאמות אישית של Amazon Recognition.
- זרימת העבודה מאפשרת שילוב של אמזון SQS עם פונקציית AWS Lambda לעיבוד תמונות אלה.
- מאחר שהאינטגרציה בין תור ה- SQS של אמזון ל- LWS של AWS מופעלת, מתרחשים האירועים הבאים:
- AWS למבה מתחילה לעבד הודעות עם פרטי התמונה מאמזון SQS.
- פונקציית LWS של AWS משתמשת בפרויקט תוויות מותאמות אישית של Amazon Recognition לעיבוד התמונות.
- הפונקציה AWS Lambda ואז ממקמת את קובץ JSON המכיל את התוויות המסקנות בדלי הסופי. התמונה עוברת גם מדלי המקור לדלי הסופי.
- כאשר כל התמונות מעובדות, זרימת העבודה של AWS Step Functions מבצעת את הפעולות הבאות:
- זה עוצר את מודל התוויות המותאמות אישית של Amazon Recognition.
- זה משבית את האינטגרציה בין תור SQS של אמזון לפונקציית AWS Lambda על ידי השבתת ההדק.
התרשים הבא ממחיש את מכונת המצב AWS Step Functions לפיתרון זה.
תנאים מוקדמים
כדי לפרוס פתרון זה, אתה צריך את התנאים המוקדמים הבאים:
- חשבון AWS עם הרשאה לפרוס את הפתרון באמצעות AWS CloudFormation, שיוצר AWS זהות וניהול גישה (IAM) תפקידים ומשאבים אחרים.
- שם המשאבים של אמזון (ARN) של פרויקט תוויות ההכרה בהתאמה אישית של אמזון (המכונה ProjectArn) ושם המשאבים של אמזון (ARN) של גרסת המודל שנוצרה לאחר אימון המודל (המכונה ProjectVersionArn). ערכים אלה נדרשים לבדיקת מצב המודל וכן לניתוח תמונות באמצעות המודל.
כדי ללמוד כיצד להכשיר מודל, ראה תחילת העבודה עם תוויות התאמה אישית של אמזון להכרה.
פְּרִיסָה
כדי לפרוס את הפתרון באמצעות AWS CloudFormation בחשבון AWS שלך, בצע את השלבים המופיעים ב- GitHub ריפו. זה יוצר את המשאבים הבאים:
- דלי אמזון S3
- תור SQS של אמזון
- AWS Step Functions זרימת עבודה
- אמזון EventBridge כללים להפעלת זרימת העבודה
- תפקידי IAM
- פונקציות למבדה של AWS
אתה יכול לראות את שמות המשאבים השונים שנוצרו על ידי הפתרון בקטע הפלט של ה- ערימת CloudFormation.
בדיקת זרימת העבודה
כדי לבדוק את זרימת העבודה שלך, בצע את השלבים הבאים:
- העלה תמונות לדוגמה לדלי S3 הקלט שנוצר על ידי הפתרון (למשל, xxxx-sources3bucket-xxxx).
- במסוף פונקציות הצעד, בחר את מכונת המדינה שנוצרה על ידי הפתרון (לדוגמה, CustomCVStateMachine-xxxx).
אתה אמור לראות את מכונת המדינה מופעלת על ידי הכלל של אמזון EventBridge מדי שעה.
- באפשרותך להתחיל באופן ידני את זרימת העבודה על ידי בחירה התחל בביצוע.
- כאשר תמונות מעובדות, אתה יכול ללכת לדלי הפלט S3 (לדוגמא, xxxx-final3bucket-xxxx) כדי לראות את פלט JSON עבור כל תמונה.
צילום המסך הבא מציג את התוכן של דלי S3 הסופי עם התמונות, יחד עם פלט JSON התואם שלהם מתוויות Custom Recognition Custom.
סיכום
בפוסט זה, הראינו כיצד ניתן לבנות פתרון אצווה בעלות אופטימלית באמצעות תוויות מותאמות אישית של Amazon Recognition שיוכלו לספק את המודל המותאם אישית שלך במועדים מתוזמנים, לעבד את כל התמונות שלך ולהפסיק את המשאבים שלך כדי למנוע עלויות נוספות. בהתאם למקרה השימוש שלך, תוכל להתאים בקלות את חלון הזמן המתוזמן שבו הפתרון אמור לעבד את האצווה. לקבלת מידע נוסף אודות אופן היצירה, האימון, ההערכה והשימוש במודל המגלה אובייקטים, סצנות ומושגים בתמונות ראה תחילת העבודה עם תוויות המותאמות אישית של אמזון הכרה.
בעוד שהפתרון המתואר בפוסט זה הראה כיצד ניתן לעבד תמונות אצווה באמצעות תוויות מותאמות אישית של Amazon Rekognition, ניתן בקלות לשנות את הפתרון לעיבוד תמונות אצווה באמצעות תצפית אמזון לחזון לזיהוי פגמים וחריגות. באמצעות Amazon Lookout for Vision, חברות ייצור יכולות להגדיל את האיכות ולהפחית את עלויות התפעול על ידי זיהוי מהיר של הבדלים בתמונות של אובייקטים בקנה מידה. לדוגמא, Amazon Lookout for Vision יכול לשמש לזיהוי רכיבים חסרים במוצרים, נזק לכלי רכב או מבנים, אי סדרים בקווי הייצור, פגמים זעירים בפלים סיליקון ובעיות דומות אחרות. למידע נוסף על אמזון תצפית לחזון, ראה מדריך המפתחים.
על הכותבים
ראול סריבסטאבה הוא אדריכל פתרונות בכיר ב- Amazon Web Services וממוקם בבריטניה. יש לו ניסיון אדריכלי רב בעבודה עם לקוחות ארגוניים גדולים. הוא עוזר ללקוחות שלנו בארכיטקטורה, אימוץ ענן, פיתוח מוצרים עם מטרה וניצול AI / ML כדי לפתור בעיות עסקיות אמיתיות.
קשיף עמרן הוא אדריכל פתרונות ראשי בשירותי האינטרנט של אמזון. הוא עובד עם כמה מלקוחות ה- AWS הגדולים שמנצלים את AI / ML כדי לפתור בעיות עסקיות מורכבות. הוא מספק הדרכה טכנית וייעוץ תכנון ליישום יישומי ראיית מחשב בקנה מידה גדול. המומחיות שלו משתרעת על ארכיטקטורת יישומים, ללא שרתים, מכולות, NoSQL ולמידת מכונה.
