Etiquetas personalizadas de Amazon Rekognition

¿Por qué utilizar Etiquetas personalizadas de Amazon Rekognition?

Con las etiquetas personalizadas de Amazon Rekognition, puede identificar los objetos y escenas en imágenes que son específicas para sus necesidades empresariales. Por ejemplo, puede encontrar su logotipo en publicaciones de redes sociales, identificar sus productos en los estantes de las tiendas, clasificar piezas de máquinas en una línea de montaje, distinguir plantas en buen estado o infectadas, o detectar sus personajes animados en videos.

Desarrollar un modelo personalizado para analizar imágenes es una tarea significativa que requiere tiempo, experiencia y recursos. A menudo, requiere meses en completarse. Además, suele ser necesario disponer de miles o decenas de miles de imágenes etiquetadas manualmente para suministrar al modelo suficientes datos para que pueda tomar decisiones con precisión. Generar estos datos puede exigir meses de recopilación, así como grandes equipos de etiquetado para preparar los datos para su uso en el machine learning.

Con las etiquetas personalizadas de Amazon Rekognition, nos encargamos del trabajo más pesado. Las etiquetas personalizadas de Amazon Rekognition se basan en las capacidades existentes de Rekognition, que ya están entrenadas con decenas de millones de imágenes de muchas categorías. En lugar de emplear miles de imágenes, simplemente debe cargar un reducido conjunto de imágenes de entrenamiento (habitualmente, unos pocos cientos de imágenes o menos) que sean específicas para su caso de uso en nuestra consola fácil de usar. Si sus imágenes ya están etiquetadas, Rekognition puede empezar el entrenamiento en unos pocos clics. En caso contrario, puede etiquetarlas directamente en la interfaz de etiquetado de Rekognition o usar Amazon SageMaker Ground Truth para etiquetarlas. Una vez Rekognition empieza el entrenamiento a partir de su conjunto de imágenes, puede producir un modelo de análisis de imágenes personalizado en unas pocas horas. En segundo plano, las etiquetas personalizadas de Rekognition cargan y examinan automáticamente los datos de entrenamiento, seleccionan los algoritmos adecuados de machine learning, entrenan un modelo y proporcionan la métrica de rendimiento del modelo. A continuación, puede usar su modelo personalizado mediante la API de las etiquetas personalizadas de Rekognition e integrarlo en sus aplicaciones.

Casos de uso

Las agencias de marketing necesitan generar informes precisos de las coberturas de marcas de sus clientes en varios medios. Habitualmente, hacen un seguimiento manual de las apariciones de los logotipos y los productos de sus clientes en las imágenes de las redes sociales, las retransmisiones y los videos deportivos. Con las etiquetas personalizadas de Amazon Rekognition, las agencias pueden crear un modelo personalizado entrenado específicamente para detectar los logotipos y los productos de sus clientes. En lugar de hacer un seguimiento minucioso y manual de los medios tradicionales y las redes sociales, pueden procesar las imágenes y los fotogramas de video mediante un modelo personalizado para encontrar el número de impresiones.

Los productores de contenido habitualmente tienen que buscar entre miles de imágenes y videos para encontrar el contenido relevante que quieren usar para producir sus programas. Por ejemplo, un canal deportivo a menudo debe montar piezas breves sobre partidos, equipos y jugadores para los afiliados, que pueden tardar horas en montarse manualmente a partir de los archivos. Entrenando modelos personalizados para que identifiquen a los equipos y los jugadores por la camiseta y el dorsal o bien que identifiquen sucesos deportivos comunes, como los goles marcados, los penales y las lesiones, pueden elaborar rápidamente una lista relevante de imágenes y videos que coincidan con el tema de la pieza.

Las empresas de agricultura deben calificar la calidad de sus productos antes de empaquetarlos. Por ejemplo, un productor de tomates puede clasificar manualmente los tomates en 6 grupos de madurez, de verde a rojo, y empaquetarlos consecuentemente para maximizar su período de conservación. En lugar de examinar manualmente cada tomate, puede entrenar un modelo personalizado para clasificar los tomates basándose en sus criterios de madurez. Integrando el modelo a sus sistemas de producción, puede clasificar automáticamente los tomates y empaquetarlos consecuentemente.

Características

La consola de las etiquetas personalizadas de Rekognition proporcionan una interfaz visual para realizar el etiquetado de sus imágenes de forma rápida y simple. La interfaz le permite aplicar una etiqueta a toda la imagen o identificar y etiquetar objetos concretos de las imágenes mediante rectángulos delimitadores con una simple interfaz para hacer clic y arrastrar.

Opcionalmente, si dispone de un gran conjunto de datos, puede usar Amazon SageMaker Ground Truth para etiquetar sus imágenes eficientemente en la escala requerida.

No es preciso tener experiencia en machine learning para crear su modelo personalizado. Las etiquetas personalizadas de Rekognition incluyen capacidades de AutoML que se encargan del machine learning por usted. Una vez proporcionadas las imágenes de entrenamiento, las etiquetas personalizadas de Rekognition pueden cargar y examinar automáticamente los datos, seleccionar los algoritmos adecuados del machine learning, entrenar un modelo y proporcionar las métricas de rendimiento del modelo.

Evalúe el rendimiento de su modelo personalizado en su conjunto de prueba. Para cada imagen en el conjunto de prueba, puede ver la comparación en paralelo de la predicción del modelo frente a la etiqueta asignada. También puede revisar la métrica de rendimiento detallada, como la métrica de precisión/recuperación, la puntuación f y las puntuaciones de confianza. Puede empezar a usar su modelo inmediatamente para el análisis de imágenes o realizar iteraciones y volver a entrenar nuevas versiones con más imágenes para mejorar el rendimiento. Una vez haya empezado a usar su modelo, puede hacer un seguimiento de sus predicciones, corregir cualquier error y usar los datos de retorno para volver a entrenar nuevas versiones del modelo y mejorar el rendimiento.