Amazon Rekognition Custom Labels

Преимущества Amazon Rekognition для меток

Благодаря Amazon Rekognition Custom Labels можно идентифицировать на изображениях те объекты и сцены, которые соответствуют потребностям определенной сферы бизнеса. Например, вы можете найти свой логотип в публикациях в социальных сетях, идентифицировать свои продукты на полках магазинов, классифицировать детали оборудования на сборочной линии, различать здоровые и зараженные растения и обнаружить своих мультипликационных персонажей в видео.

Разработка специальной модели для анализа изображений – это серьезное мероприятие, требующее много времени, опыта и ресурсов, на выполнение которого часто уходят месяцы. Кроме того, чтобы предоставить модели достаточно данных для точного принятия решений, зачастую нужно подготовить и вручную промаркировать несколько тысяч или десятков тысяч изображений. Сбор этих данных может занять несколько месяцев, а для их подготовки к использованию в машинном обучении требуются большие команды специалистов по маркировке данных.

Благодаря Amazon Rekognition для меток вы можете поручить всю тяжелую работу нам. Amazon Rekognition для меток основывается на существующих моделях Rekognition, которые уже обучены на десятках миллионов изображений по многим категориям. Вы сможете обойтись без нескольких тысяч изображений, просто добавив небольшой набор обучающих изображений (обычно несколько сотен или меньше), соответствующих вашему варианту использования, с помощью простой в использовании консоли. Если ваши изображения уже помечены, Rekognition может начать обучение всего в несколько кликов. В противном случае вы можете маркировать их непосредственно в интерфейсе маркировки Rekognition или использовать сервис Amazon SageMaker Ground Truth, чтобы он промаркировать их за вас. Как только Rekognition начнет обучение с вашего набора изображений, он может создать для вас собственную модель анализа изображений всего за несколько часов. По сути, Amazon Rekognition для меток автоматически загружает и проверяет данные для обучения, выбирает правильные алгоритмы машинного обучения, обучает модель и предоставляет метрики производительности модели. Затем вы можете использовать собственную модель с помощью API Rekognition для меток и интегрировать ее в свои приложения.

Примеры использования

Маркетинговые агентства должны точно сообщать об освещении брендов своих клиентов в различных СМИ. Обычно они вручную отслеживают внешний вид логотипов и продуктов своих клиентов на изображениях в социальных сетях, трансляциях и спортивных видеороликах. С помощью Amazon Rekognition для меток агентства могут создать собственную модель, специально обученную распознавать логотипы и продукты своих клиентов. Вместо того чтобы с большим трудом следить за традиционными сетями и социальными сетями, они могут обрабатывать изображения и видеокадры с помощью специальной модели для определения количество показов.

Производителям контента обычно приходится выполнять поиск среди тысячи изображений и видео, чтобы найти соответствующий контент, который подойдет для создания шоу. Например, спортивным обозревателям часто приходится монтировать для дочерних компаний фильмы о ключевых аспектах игр, команд и игроков, а их ручная сборка из архивов может занять несколько часов. Если обучить специальные модели распознавать команды и игроков по футболкам и номерам, а также выявлять распространенные события в игре, такие как забитый гол, пенальти и травмы, они смогут быстро составлять список подходящих изображений и клипов, соответствующих тематике фильма.

Сельскохозяйственным компаниям, прежде чем упаковать свою продукцию, необходимо оценить ее качество. Например, производитель томатов может вручную разделить помидоры на 6 групп спелости: от зрелых зеленых до красных – и упаковать их соответствующим образом, чтобы обеспечить максимальный срок хранения. Вместо того чтобы вручную проверять каждый помидор, он может разработать специальную модель для сортировки помидоров на основе критериев спелости. Благодаря интеграции модели с производственными системами производитель сможет автоматически сортировать помидоры и соответствующим образом их упаковывать.

Возможности

Консоль Rekognition для меток предоставляет визуальный интерфейс, позволяющий быстро и просто маркировать изображения. Интерфейс позволяет наносить метку на всё изображение или идентифицировать и маркировать определенные объекты на изображениях с помощью ограничительных рамок благодаря простому интерфейсу нажатия и перетаскивания.

Кроме того, при большом наборе данных можно использовать Amazon SageMaker Ground Truth для эффективной маркировки изображений в нужном масштабе.

Для создания собственной модели опыт в области машинного обучения не требуется. Rekognition для меток включает возможности AutoML, которые позаботятся о машинном обучении вместо вас. После предоставления обучающих изображений Rekognition для меток может автоматически загружать и проверять данные, выбирать правильные алгоритмы машинного обучения, обучать модель и предоставлять метрики производительности модели.

Оценивайте производительность пользовательской модели на своем тестовом наборе. Для каждого изображения в тестовом наборе можно видеть непосредственное сравнение прогнозирования на основе модели и присвоенной метки. Вы также можете просматривать подробные показатели производительности, такие как показатели точности и отзыва, показатель f и оценки достоверности. Вы можете сразу же начать использовать модель для анализа изображений или последовательно изменять и переобучать новые версии, добавляя больше изображений, чтобы повысить производительность. После начала использования модели вы отслеживаете свои прогнозы, исправляете ошибки и используете данные обратной связи для переобучения новых версий модели и повышения производительности.