Erste Schritte mit Amazon Lookout for Vision

Richten Sie Amazon Lookout for Vision ein, indem Sie den Anweisungen unter Amazon Lookout for Vision einrichten folgen. Achten Sie darauf, das AWSSDK für Python zu installieren.

Erstellen Sie in der AWS Region, in der Sie Lookout for Vision verwenden möchten, einen S3-Bucket.

Erstellen im Amazon S3 S3-Bucket einen Ordner mit dem Namengetting-started.

Notieren Sie sich die Amazon S3 S3-Uri und den Amazon-Ressourcennamen (ARN) für den Ordner. Sie verwenden sie, um Berechtigungen einzurichten und das Skript auszuführen.

Stellen Sie sicher, dass der Benutzer, der das Skript aufruft, berechtigt ist, den s3:PutObject Vorgang aufzurufen. Sie können die folgende Richtlinie verwenden. Informationen zum Zuweisen von Berechtigungen finden Sie unterZuweisen von Berechtigungen.

{
	"Version": "2012-10-17",
	"Statement": [{
		"Sid": "Statement1",
		"Effect": "Allow",
		"Action": [
			"s3:PutObject"
		],
		"Resource": [
			"arn:aws:s3::: ARN for S3 folder in step 4/*"
		]
	}]
}

Stellen Sie sicher, dass Sie ein lokales Profil mit dem Namen haben lookoutvision-access und dass der Profilbenutzer über die im vorherigen Schritt angegebene Berechtigung verfügt. Weitere Informationen finden Sie unter Verwenden eines Profils auf Ihrem lokalen Computer.

Laden Sie die Zip-Datei getting-started.zip herunter. Die Zip-Datei enthält den Datensatz „Erste Schritte“ und das Einrichtungsskript.

Entpacken Sie die Datei getting-started.zip.

Führen Sie an der Eingabeaufforderung die folgenden aus:

1. Navigieren Sie zum Verzeichnis getting-started.

2. Führen Sie den folgenden Befehl aus, um eine Manifestdatei zu erstellen und die Trainingsbilder und Bildmasken in den Amazon S3 S3-Pfad hochzuladen, den Sie in Schritt 4 notiert haben.

   python getting_started.py S3-URI-from-step-4

3. Wenn das Skript abgeschlossen ist, notieren Sie sich den Pfad zu der train.manifest Datei, nach der das Skript anzeigtCreate dataset using manifest file:. Der Pfad sollte folgendermaßen oder ähnlich oder ähnlich aussehens3://path to getting started folder/manifests/train.manifest.

Öffnen Sie die Amazon Lookout for Vision Vision-Konsole unter https://console.aws.amazon.com/lookoutvision/.

Achten Sie darauf, dass Sie in derselben AWS Region sind, in der Sie den Amazon S3 S3-Bucket erstellt habenSchritt 1: Erstellen Sie die Manifestdatei und laden Sie Bilder hoch. Um die Region zu ändern, wählen Sie in der Navigationsleiste den Namen der aktuell angezeigten Region aus. Wählen Sie anschließend die Region aus, zu der Sie wechseln möchten.

Wählen Sie Get started (Erste Schritte) aus.

Wählen Sie im Abschnitt Projekte die Option Projekt erstellen aus.

Führen Sie auf der Seite Projekt erstellen die folgenden aus:

1. Geben Sie im Feld Projektname den Wert eingetting-started.

2. Wählen Sie Create project (Projekt erstellen) aus.

Wählen Sie auf der Projektseite im Abschnitt So funktioniert die Option Datensatz erstellen aus.

Führen Sie auf der Seite Datensatz erstellen die folgenden aus:

1. Wählen Sie Einen einzelnen Datensatz erstellen aus.

2. Wählen Sie im Abschnitt Konfiguration der Bildquelle die Option Bilder importieren, die mit SageMaker Ground Truth gekennzeichnet sind.

3. Geben Sie für den Speicherort der Manifest-Datei den Amazon S3 S3-Speicherort der Manifest-Datei ein, den Sie in Schritt 6.c. von notiert haben. Schritt 1: Erstellen Sie die Manifestdatei und laden Sie Bilder hoch Der Amazon S3 S3-Standort sollte ähnlich sein wie s3://path to getting started folder/manifests/train.manifest

4. Wählen Sie Datensatz erstellen.

Sehen Sie sich auf der Seite mit den Projektdetails im Abschnitt Bilder die Bilder des Datensatzes an. Sie können die Klassifizierungs- und Bildsegmentierungsinformationen (Masken- und Anomaliebeschriftungen) für jedes Datensatzbild einsehen. Sie können auch nach Bildern suchen, Bilder nach dem Bezeichnungsstatus (beschriftet/unbeschriftet) filtern oder Bilder nach den ihnen zugewiesenen Anomaliebeschriftungen filtern.

Wählen Sie auf der Seite mit den Projektdetails die Option Zugmodell aus.

Wählen Sie auf der Seite mit den Zugmodelldetails die Option Zugmodell aus.

In der Möchtest du dein Modell trainieren? Wählen Sie im Dialogfenster Zugmodell aus.

Auf der Seite mit den Projektmodellen können Sie sehen, dass das Training begonnen hat. Überprüfen Sie den aktuellen Status, indem Sie sich die Statusspalte für die Modellversion ansehen. Das Training des Modells dauert mindestens 30 Minuten. Das Training wurde erfolgreich abgeschlossen, wenn der Status auf Schulung abgeschlossen geändert wird.

Wenn das Training abgeschlossen ist, wählen Sie auf der Seite Modelle das Modell Modell 1 aus.

Sehen Sie sich auf der Detailseite des Modells die Bewertungsergebnisse auf der Registerkarte Leistungskennzahlen an. Es gibt Metriken für Folgendes:

Da das Modelltraining nicht deterministisch ist, können Ihre Bewertungsergebnisse von den Ergebnissen auf dieser Seite abweichen. Weitere Informationen finden Sie unter Verbessern Ihres Amazon-Lookout-forVision-Modells.

Wählen Sie auf der Detailseite des Modells die Option Modell verwenden und dann API in die Cloud integrieren aus.

Kopieren Sie den start-model AWS CLI Befehl im Abschnitt AWS CLIBefehle.

Stellen Sie sicher, dass die so konfiguriert AWS CLI ist, dass sie in derselben AWS Region ausgeführt wird, in der Sie die Amazon Lookout for Vision Vision-Konsole verwenden. Informationen zum Ändern der von ihnen AWS CLI verwendeten AWS Region finden Sie unterInstallieren Sie das AWS SDKS.

Starten des Modells an der Eingabeaufforderung aus, indem Sie den start-model Befehl eingeben. Wenn Sie das lookoutvision Profil verwenden, um Anmeldeinformationen abzurufen, fügen Sie den --profile lookoutvision-access Parameter hinzu. Beispiel:

aws lookoutvision start-model \
  --project-name getting-started \
  --model-version 1 \
  --min-inference-units 1 \
  --profile lookoutvision-access

Wenn der Aufruf erfolgreich ist, wird die folgende Ausgabe angezeigt:

{
    "Status": "STARTING_HOSTING"
}

Zurück in der Konsole im Navigationsbereich Modelle aus.

Warten Sie, bis der Status des Modells (Modell 1) in der Spalte Status Gehostet angezeigt wird. Wenn Sie bereits ein Modell im Projekt trainiert haben, warten Sie, bis die neueste Modellversion abgeschlossen ist.

Wählen Sie auf der Seite Modelle das Modell Modell 1 aus.

Wählen Sie auf der Detailseite des Modells die Option Modell verwenden und dann API in die Cloud integrieren aus.

Kopieren Sie den detect-anomalies AWS CLI Befehl im Abschnitt AWS CLIBefehle.

Analysieren Sie in der Befehlszeile ein anomales Bild, indem Sie den detect-anomalies Befehl aus dem vorherigen Schritt eingeben. Geben Sie für den --body Parameter ein anomales Bild aus dem test-images Ordner Erste Schritte auf Ihrem Computer an. Wenn Sie das lookoutvision Profil verwenden, um Anmeldeinformationen abzurufen, fügen Sie den --profile lookoutvision-access Parameter hinzu. Beispiel:

aws lookoutvision detect-anomalies \
  --project-name getting-started \
  --model-version 1 \
  --content-type image/jpeg \
  --body /path/to/test-images/test-anomaly-1.jpg \
  --profile lookoutvision-access

Die Ausgabe sollte folgendermaßen oder ähnlich aussehen:

{
    "DetectAnomalyResult": {
        "Source": {
            "Type": "direct"
        },
        "IsAnomalous": true,
        "Confidence": 0.983975887298584,
        "Anomalies": [
            {
                "Name": "background",
                "PixelAnomaly": {
                    "TotalPercentageArea": 0.9818974137306213,
                    "Color": "#FFFFFF"
                }
            },
            {
                "Name": "cracked",
                "PixelAnomaly": {
                    "TotalPercentageArea": 0.018102575093507767,
                    "Color": "#23A436"
                }
            }
        ],
        "AnomalyMask": "iVBORw0KGgoAAAANSUhEUgAAAkAAAAMACA......"
    }
}

Beachten Sie in der Ausgabe Folgendes:

Sie können verwenden, um eine Mischung aus dem folgenden Beispiel gezeigt. Beispielcode finden Sie unter Anzeige von Klassifizierungs- und Segmentierungsinformationen.

Analysieren Sie in der Befehlszeile ein normales Bild aus dem test-images Ordner Erste Schritte. Wenn Sie das lookoutvision Profil verwenden, um Anmeldeinformationen abzurufen, fügen Sie den --profile lookoutvision-access Parameter hinzu. Beispiel:

aws lookoutvision detect-anomalies \
  --project-name getting-started \
  --model-version 1 \
  --content-type image/jpeg \
  --body /path/to/test-images/test-normal-1.jpg \
  --profile lookoutvision-access

Die Ausgabe sollte folgendermaßen oder ähnlich aussehen:

{
    "DetectAnomalyResult": {
        "Source": {
            "Type": "direct"
        },
        "IsAnomalous": false,
        "Confidence": 0.9916400909423828,
        "Anomalies": [
            {
                "Name": "background",
                "PixelAnomaly": {
                    "TotalPercentageArea": 1.0,
                    "Color": "#FFFFFF"
                }
            }
        ],
        "AnomalyMask": "iVBORw0KGgoAAAANSUhEUgAAAkAAAA....."
    }
}

Beachten Sie in der Ausgabe, dass der false Wert für das Bild so IsAnomalous klassifiziert, dass es keine Anomalien aufweist. Wird verwendetConfidence, um zu entscheiden, ob Sie der Klassifizierung vertrauen. Außerdem hat das Anomalies Array nur das background Anomalie-Label.

Wählen im Navigationsbereich Modelle aus.

Wählen Sie auf der Seite Modelle das Modell Modell 1 aus.

Wählen Sie auf der Detailseite des Modells die Option Modell verwenden und dann API in die Cloud integrieren aus.

Kopieren Sie den stop-model AWS CLI Befehl im Abschnitt AWS CLIBefehle.

Stoppen Sie das Modell in der Befehlszeile, indem Sie den stop-model AWS CLI Befehl aus dem vorherigen Schritt eingeben. Wenn Sie das lookoutvision Profil verwenden, um Anmeldeinformationen abzurufen, fügen Sie den --profile lookoutvision-access Parameter hinzu. Beispiel:

aws lookoutvision stop-model \
  --project-name getting-started \
  --model-version 1 \
  --profile lookoutvision-access

Wenn der Aufruf erfolgreich ist, wird die folgende Ausgabe angezeigt:

{
    "Status": "STOPPING_HOSTING"
}

Zurück in der Konsole wählen Sie auf der linken Navigationsseite Modelle aus.

Das Modell wurde gestoppt, wenn der Status des Modells in der Spalte Status „Training abgeschlossen“ lautet.