Amazon Rekognition 自訂標籤

為什麼選擇 Amazon Rekognition 自訂標籤？

藉由 Amazon Rekognition 自訂標籤，您可以識別出影像中特定於您業務需求的物件和場景。例如，您可以在社交群媒張貼上找到標誌、識別商店貨架上的產品、對裝配線中的機器零件進行分類，區分健康植物和受感染植物，或偵側影片中的動畫人物。

開發自訂模型來分析影像是一項重要的工作，需要時間、專業知識和資源，且通常需要數月才能完成。此外，通常需要數十萬張具有手動標記的影像，才能為模型提供足夠的資料以準確地做出決策。產生這些資料可能需要花費數月的時間，並且需要龐大的標記者團隊，來為將其用於機器學習做準備。

透過 Amazon Rekognition 自訂標籤，我們可以為您處理繁重的工作。Rekognition 自訂標籤基於 Rekognition 現有功能建置而成，該功能已在多種類別數千萬張影像上進行訓練。您只需將少量針對您的使用案例的訓練影像集 (通常為幾百張影像或更少) 上傳至我們易於使用的主控台中，而不是成千上萬張影像。如果您的影像已作標記，則只需點按幾下，Rekognition 即可開始訓練。如果沒有，則可在 Rekognition 的標籤界面中直接為其新增標籤，或者使用 Amazon SageMaker Ground Truth 為您新增標籤。Rekognition 開始對您的影像集進行訓練後，短短幾個小時就能為您產生自訂影像分析模型。在後台，Rekognition 自訂標籤會自動載入並檢查訓練資料，選擇適當的機器學習演算法，訓練模型，以及提供模型效能指標。然後，您可以透過 Rekognition 自訂標籤 API 使用自訂模型，並將其整合至您的應用程式中。

使用案例

行銷機構需要準確地報告，品牌在各種媒體上對客戶的覆蓋率。通常，他們在社交媒體影像、廣播和體育影片中，手動追蹤其客戶標誌和產品的曝光率。藉助 Amazon Rekognition 自訂標籤，代理商可以建立經過專門訓練的自訂模型，以偵測其客戶的標誌和產品。他們可以透過自訂模型來處理影像和影片畫面以得出曝光數目，而不必費力地嘗試手動關注傳統媒體和社交媒體。

內容製作者通常必須搜尋成千上萬的影像和影片，才能找到他們想要用於製作節目的相關內容。例如，體育廣播公司經常需要為關聯公司織彙編有關比賽、球隊和球員的精彩影片，而在存檔中手動彙編可能需要花費數小時的時間。透過訓練自訂模型來根據球衣和號碼識別球隊和球員，並識別常見的比賽事件，例如進球、罰球和傷病，他們可以快速製作出與影片主題相符的影像和剪輯清單。

農業公司需要在包裝產品之前，對產品的品質進行評估。例如，番茄生產者可以手動將番茄從成熟的綠色到紅色分成 6 個成熟度組，並對其進行相應地包裝以確保最長的保質期。他們可以訓練自訂模型以根據成熟度標準對西紅柿進行分類，而無須手動檢查每個西紅柿。透過將模型與其製造系統整合，他們可以自動對西紅柿進行分類，並進行相應包裝。

功能

Rekognition 自訂標籤主控台提供一個直覺化界面，讓您能夠快速、簡單地標記影像。該界面允許您將標籤套用於整個影像，或者使用帶有簡單的點按拖曳式界面的邊界框，來識別和標記影像中的特定物件。

或者，若您有大量資料集，則可使用 Amazon SageMaker Ground Truth 有效地大規模標記影像。

無須任何機器學習專業知識，即可建立您的自訂模型。Rekognition Custom Labels 具備 AutoML 能力，可為您執行機器學習。提供訓練影像之後，Rekognition 自訂標籤即會自動載入並檢查資料，選擇適當的機器學習演算法，訓練模型，以及提供模型效能指標。

在測試集中評估自訂模型的效能。對於測試集中的每張影像，您可以看到模型預測與指派標籤的並排比較。此外，您還可以檢閱詳細的效能指標，例如精準度/重新叫用指標、f 分數和信賴度分數。您可以立即使用模型進行影像分析，或者反覆查看並重新訓練具有更多影像的新版本以提高效能。開始使用模型之後，您可以追蹤預測，更正任何錯誤，以及使用回饋資料來重新訓練新的模型版本並提高效能。