Étiquettes personnalisées Amazon Rekognition

Pourquoi choisir les étiquettes personnalisées Amazon Rekognition ?

Avec Amazon Rekognition Custom Labels, vous pouvez identifier les objets et les scènes dans des images spécifiques aux besoins de votre entreprise. Par exemple, vous pouvez rechercher votre logo sur les réseaux sociaux, identifier vos produits dans les magasins, classer les pièces de votre machine dans une chaîne de montage, distinguer les plantes vertueuses des plantes nuisibles ou détecter vos personnages animés dans des vidéos.

Le développement d'un modèle personnalisé permettant d'analyser des images est une tâche considérable qui demande du temps, de l'expertise et des ressources et qui nécessite souvent plusieurs mois de travail. De plus, elle requiert généralement des milliers, voire des dizaines de milliers d'images étiquetées manuellement afin de fournir suffisamment de données au modèle pour prendre les bonnes décisions. Plusieurs mois peuvent être nécessaires pour générer ces données, qui doivent ensuite être préparées par d'importantes équipes d'étiqueteurs afin de pouvoir être utilisées dans le machine learning.

Grâce à Amazon Rekognition Custom Labels, nous nous chargeons de compiler ces données. Rekognition Custom Labels s'appuie sur les fonctionnalités existantes de Rekognition, qui ont été développées grâce à des dizaines de millions d'images dans de nombreuses catégories. Au lieu de parcourir des milliers d'images, il vous suffit de charger facilement dans notre console une petite quantité d'images spécifiques à votre cas (généralement quelques centaines, tout au plus) qui permettront de former le système. Si vos images sont déjà étiquetées, Rekognition peut commencer à former le système en quelques clics. Dans le cas contraire, vous pouvez les étiqueter directement dans l'interface d'étiquetage de Rekognition, ou utiliser Amazon SageMaker Ground Truth qui les étiquètera pour vous. Dès que Rekognition commence à former le système à l'aide de vos images, il produit pour vous un modèle d'analyse d'image personnalisé en seulement quelques heures. En arrière-plan, Rekognition Custom Labels charge et analyse automatiquement les données permettant de former le système, sélectionne les bons algorithmes de machine learning, forme un modèle et fournit des métriques sur les performances du modèle. Vous pouvez ensuite utiliser votre modèle personnalisé via l'API Rekognition Custom Labels et l'intégrer à vos applications.

Cas d'utilisation

Les agences marketing doivent pouvoir mesurer précisément l'impact de la marque de leurs clients dans plusieurs canaux. En général, elles relèvent manuellement le nombre d'apparitions des logos et des produits de leurs clients dans les images sur les réseaux sociaux, à la télévision et lors des retransmissions sportives. Avec Amazon Rekognition Custom Labels, les agences peuvent créer un modèle personnalisé et précisément formé pour détecter les logos et les produits de leurs clients. Au lieu de passer manuellement les médias traditionnels et les réseaux sociaux au peigne fin, elles peuvent traiter les images et les vidéos en appliquant le modèle personnalisé pour trouver le nombre d'impressions.

Les producteurs de contenu doivent généralement parcourir des milliers d'images et de vidéos afin de trouver le contenu qu'ils souhaitent utiliser pour produire leurs émissions. Par exemple, une chaîne qui diffuse des événements sportifs a souvent besoin de monter des spots reprenant les moments forts de matches, d'équipes ou de joueurs pour ses partenaires – ce travail d'archive peut prendre des heures à réaliser manuellement. En formant des modèles personnalisés permettant d'identifier des équipes et des joueurs par maillot et par numéro, ainsi que des informations courantes sur les matches telles que le nombre de buts marqués, de pénaltys ou de blessures, il est possible de concevoir rapidement une liste d'images et d'extraits vidéos correspondant au sujet du spot.

Les producteurs agroalimentaires doivent évaluer la qualité de leur production avant de les mettre sous emballage. Par exemple, un producteur de tomates peut classer manuellement les tomates en six groupes de maturité allant du vert au rouge, et les emballer en conséquence pour garantir une durée de vie maximale sur les étals. Au lieu d'examiner chaque tomate manuellement, il est possible de former un modèle personnalisé afin de classer les tomates en fonction de leur maturité. En intégrant ce modèle à leurs systèmes de production, les producteurs peuvent trier automatiquement les tomates et les emballer en conséquence.

Caractéristiques

La console Rekognition Custom Labels fournit une interface visuelle permettant d'effectuer un étiquetage simple et rapide de vos images. L'interface vous permet d'appliquer une étiquette à une image complète, ou d'identifier et d'étiqueter des objets précis au sein d'images à l'aide de cadres de délimitation grâce à une interface simple de cliquer-déposer.

Si vous disposez d'un grand volume de données, vous pouvez également utiliser Amazon SageMaker Ground Truth pour étiqueter efficacement vos images en nombre.

Aucune expertise en matière de machine learning n'est requise pour concevoir votre modèle personnalisé. Rekognition Custom Labels inclut des fonctionnalités AutoML qui s'occupent du machine learning pour vous. Une fois les images permettant d’entraîner le système fournies, Rekognition Custom Labels charge et analyse automatiquement les données, sélectionne les bons algorithmes de machine learning, forme un modèle et fournit des métriques sur les performances du modèle.

Évaluez les performances de votre modèle personnalisé sur vos données de test. Pour chaque image des données de test, vous pouvez afficher une comparaison directe entre la prédiction du modèle et l'étiquette attribuée. Vous pouvez également passer en revue les métriques de performances détaillées, telles que les métriques de précision/rappel, les scores f et les scores de fiabilité. Vous pouvez commencer à utiliser immédiatement votre modèle pour l'analyse d'images, ou pour itérer et former de nouvelles versions avec davantage d'images afin d'améliorer les performances. Lorsque vous commencez à utiliser votre modèle, vous pouvez suivre vos prédictions, corriger les erreurs et utiliser les données de commentaires pour former de nouvelles versions du modèle et améliorer les performances.