Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Erkennung von Anomalien in einem Bild
Um Anomalien in einem Bild mit einem trainierten Amazon Lookout for Vision-Modell zu erkennen, rufen Sie denDetectAnomaliesBetrieb. Das Ergebnis vonDetectAnomalies
beinhaltet eine boolesche Vorhersage, die das Bild so klassifiziert, dass es eine oder mehrere Anomalien enthält, und einen Konfidenzwert für die Vorhersage. Handelt es sich bei dem Modell um ein Bildsegmentierungsmodell, enthält das Ergebnis auch eine farbige Maske, die die Positionen verschiedener Arten von Anomalien anzeigt.
Die Bilder, die Sie zur Verfügung stellenDetectAnomalies
müssen die gleichen Breiten- und Höhenmaße haben wie die Bilder, mit denen Sie das Modell trainiert haben.
DetectAnomalies
akzeptiert Bilder im PNG- oder JPG-Format. Wir empfehlen, dass die Bilder dasselbe Kodierungs- und Komprimierungsformat haben wie die Bilder, die zum Trainieren des Modells verwendet wurden. Wenn Sie das Modell beispielsweise mit Bildern im PNG-Format trainieren, rufen SieDetectAnomalies
mit Bildern im PNG-Format.
Vor dem AnrufDetectAnomalies
, Sie müssen Ihr Modell zuerst mit dem startenStartModel
Betrieb. Weitere Informationen finden Sie unter Starten Sie Ihr Amazon Lookout for Vision Vision-Modell. Ihnen wird die Zeit in Minuten, die ein Modell ausführt, und die Anzahl der Einheiten zur Erkennung von Anomalien, die Ihr Modell verwendet, in Rechnung gestellt. Wenn Sie kein Modell verwenden, verwenden Sie denStopModel
Operation, um Ihr Modell zu stoppen. Weitere Informationen finden Sie unter Ihr Amazon Lookout for Vision Vision-Modell beenden.
Themen
Aufrufen einer DetectAnomalies
Um anzurufenDetectAnomalies
, geben Sie Folgendes an:
-
Projekt— Der Name des Projekts, das das Modell enthält, das Sie verwenden möchten.
-
ModelVersion— Die Version des Modells, das Sie verwenden möchten.
-
ContentType— Der Bildtyp, den Sie analysieren möchten. Gültige Werte sind
image/png
(Bilder im PNG-Format) undimage/jpeg
(Bilder im JPG-Format). -
Körper— Die uncodierten Binärbytes, die das Bild darstellen.
Das Bild muss die gleichen Abmessungen haben wie die Bilder, die zum Trainieren des Modells verwendet wurden.
Das folgende Beispiel zeigt, wie man anruftDetectAnomalies
. Sie können die Funktionsantwort aus den Python- und Java-Beispielen verwenden, um Funktionen in aufzurufenErmitteln, ob ein Bild anomal ist.
Die Antwort von verstehenDetectAnomalies
Die Antwort vonDetectAnomalies
variiert je nach Typ des Modells, das Sie trainieren (Klassifizierungsmodell oder Segmentierungsmodell). In beiden Fällen ist die Antwort eineDetectAnomalyResultObjekt.
Klassifizierungsmodell
Wenn Ihr Modell einBildklassifizierungsmodell, die Antwort vonDetectAnomalies
enthält Folgendes:
-
IsAnomalous— Ein boolescher Indikator dafür, dass das Bild eine oder mehrere Anomalien enthält.
-
Selbstvertrauen— Das Vertrauen, das Amazon Lookout for Vision in die Genauigkeit der Anomalieprognose hat (
IsAnomalous
).Confidence
ist ein Fließkommawert zwischen 0 und 1. Ein höherer Wert weist auf ein höheres Vertrauen hin. -
Quelle— Informationen über das übergebene Bild
DetectAnomalies
.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996867775917053 } }
Sie stellen fest, ob in einem Bild eine Anomalie vorliegt, indem Sie dieIsAnomalous
Feld und bestätige, dassConfidence
Der Wert ist hoch genug für Ihre Bedürfnisse.
Wenn Sie die Konfidenzwerte finden, die zurückgegeben wurden vonDetectAnomalies
sind zu niedrig, erwägen Sie eine Umschulung des Modells. Beispielcode finden Sie unter Klassifizierung.
Segmentierungsmodell
Wenn Ihr Modell einBildsegmentierungsmodell, enthält die Antwort Klassifikationsinformationen und Segmentierungsinformationen, z. B. eine Bildmaske und Anomalietypen. Klassifizierungsinformationen werden getrennt von Segmentierungsinformationen berechnet, und Sie sollten nicht von einer Beziehung zwischen ihnen ausgehen. Wenn Sie in der Antwort keine Segmentierungsinformationen erhalten, überprüfen Sie, ob Sie über die neueste Version vonAWSSDK installiert (AWS Command Line Interface, wenn Sie das verwendenAWS CLI). Beispielcode finden Sie unterSegmentierungundAnzeige von Klassifizierungs- und Segmentierungsinformationen.
IsAnomalous(Klassifizierung) — Ein boolescher Indikator, der das Bild entweder als normal oder anomal klassifiziert.
Selbstvertrauen(Klassifizierung) — Das Vertrauen, das Amazon Lookout for Vision in die Genauigkeit der Klassifizierung des Bildes hat (
IsAnomalous
).Confidence
ist ein Fließkommawert zwischen 0 und 1. Ein höherer Wert weist auf ein höheres Vertrauen hin.-
Quelle— Informationen über das übergebene Bild
DetectAnomalies
. -
AnomalyMask(Segmentierung) — Eine Pixelmaske, die Anomalien im analysierten Bild verdeckt. Das Bild kann mehrere Anomalien aufweisen. Die Farbe einer Maskenkarte gibt die Art einer Anomalie an. Die Maskenfarben entsprechen den Farben, die den Anomalietypen im Trainingsdatensatz zugewiesen sind. Um den Anomalietyp anhand einer Maskenfarbe zu ermitteln, klicken Sie
Color
in derPixelAnomaly
Feld jeder Anomalie, die in der zurückgegeben wurdeAnomalies
Liste. Beispielcode finden Sie unter Anzeige von Klassifizierungs- und Segmentierungsinformationen. -
Anomalien(Segmentierung) — Eine Liste der im Bild gefundenen Anomalien. Jede Anomalie umfasst den Anomalietyp (
Name
) und Pixelinformationen (PixelAnomaly
).TotalPercentageArea
ist der prozentuale Bereich des Bildes, den die Anomalie bedeckt.Color
ist die Maskenfarbe für die Anomalie.Das erste Element in der Liste ist immer ein Anomalietyp, der den Bildhintergrund darstellt (
BACKGROUND
) und sollte nicht als Anomalie betrachtet werden. Amazon Lookout for Vision fügt der Antwort automatisch den Typ der Hintergrundanomalie hinzu. Sie müssen in Ihrem Datensatz keinen Hintergrundanomalietyp deklarieren.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996814727783203, "Anomalies": [ { "Name": "background", "PixelAnomaly": { "TotalPercentageArea": 0.998999834060669, "Color": "#FFFFFF" } }, { "Name": "scratch", "PixelAnomaly": { "TotalPercentageArea": 0.0004034999874420464, "Color": "#7ED321" } }, { "Name": "dent", "PixelAnomaly": { "TotalPercentageArea": 0.0005966666503809392, "Color": "#4DD8FF" } } ], "AnomalyMask": "iVBORw0....." } }