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.
Der Amazon SageMaker AI Object Detection — MXNet Algorithmus erkennt und klassifiziert Objekte in Bildern mithilfe eines einzigen tiefen neuronalen Netzwerks. Es handelt sich um einen überwachten Lernalgorithmus, der Bilder als Eingabe akzeptiert und alle Instances von Objekten innerhalb der Bilderszene identifiziert. Das Objekt wird in eine der Klassen in einer bestimmten Sammlung mit einem Zuverlässigkeitswert, dass es dieser Klasse angehört, kategorisiert. Die Position und Skalierung im Bild werden durch einen rechteckigen Begrenzungsrahmen angegeben. Er verwendet das Single Shot Multibox Detector (SSD)
Themen
E/A-Schnittstelle für den Objekterkennungsalgorithmus
Der SageMaker KI-Objekterkennungsalgorithmus unterstützt sowohl die Inhaltstypen RecordIO (application/x-recordio) als auch image (image/pngimage/jpeg, undapplication/x-image) für das Training im Dateimodus und RecordIO (application/x-recordio) für das Training im Pipe-Modus. Allerdings können Sie das Training auch im Pipe-Modus mit den Bilddateien (image/png, image/jpeg, und application/x-image) vornehmen, ohne RecordIO-Dateien zu erstellen. Verwenden Sie dann das erweiterte Manifestformat. Das empfohlene Eingabeformat für die Amazon SageMaker AI-Objekterkennungsalgorithmen ist Apache MXNet RecordIOapplication/x-image für Inferenzen.
Anmerkung
Um eine bessere Interoperabilität mit bestehenden Deep-Learning-Frameworks aufrechtzuerhalten, unterscheidet sich dies von den Protobuf-Datenformaten, die üblicherweise von anderen Amazon SageMaker AI-Algorithmen verwendet werden.
Weitere Details zu Datenformaten finden Sie unter Beispiel-Notebooks für die Objekterkennung.
Schulen mit dem RecordIO-Format
Wenn Sie das RecordIO-Format für Trainings verwenden, geben Sie sowohl den train- als auch den und validation-Kanal als Werte für den InputDataConfig-Parameter der CreateTrainingJob-Anforderung an. Geben Sie eine RecordIO-Datei (.rec) im train-Kanal und eine RecordIO-Datei im validation-Kanal an. Legen Sie den Inhaltstyp für beide Kanäle auf application/x-recordio fest. Ein Beispiel dafür, wie Sie eine RecordIO-Datei generieren, finden Sie im Beispiel-Notebook für die Objekterkennung. Sie können auch Tools von GluonCV
Schulen mit dem Bildformat
Wenn Sie das Bildformat für Trainings verwenden, geben Sie die train-, validation-, – train_annotationund validation_annotation-Kanäle als Werte für den InputDataConfig-Parameter der CreateTrainingJob-Anforderung an. Geben Sie die individuellen Bilddaten (.jpg- oder .png-Dateien) für die Kanäle train und validation an. Für Anmerkungsdaten können Sie das JSON-Format verwenden. Geben Sie die entsprechenden JSON-Dateien in den Kanälen train_annotation und validation_annotation an. Legen Sie den Inhaltstyp für alle vier Kanäle basierend auf dem Bildtyp auf image/png oder image/jpeg fest. Sie können auch den Inhaltstyp application/x-image verwenden, wenn Ihr Datensatz sowohl JPG- als auch PNG-Bilder enthält. Nachfolgend finden Sie ein Beispiel für eine .json-Datei.
{
"file": "your_image_directory/sample_image1.jpg",
"image_size": [
{
"width": 500,
"height": 400,
"depth": 3
}
],
"annotations": [
{
"class_id": 0,
"left": 111,
"top": 134,
"width": 61,
"height": 128
},
{
"class_id": 0,
"left": 161,
"top": 250,
"width": 79,
"height": 143
},
{
"class_id": 1,
"left": 101,
"top": 185,
"width": 42,
"height": 130
}
],
"categories": [
{
"class_id": 0,
"name": "dog"
},
{
"class_id": 1,
"name": "cat"
}
]
}Jedes Bild benötigt eine .json-Datei für Anmerkungen. Die .json-Datei sollte denselben Namen haben wie das entsprechende Bild. Der Name der oben genannten .json-Datei sollte "sample_image1.json" lauten. Es gibt vier Eigenschaften in der .json-Anmerkungsdatei. Die Eigenschaft "file" gibt den relativen Pfad der Bilddatei an. Wenn Ihre Trainingsbilder und die entsprechenden .json-Dateien beispielsweise in s3://your_bucket/train/sample_image und s3://your_bucket/train_annotation gespeichert sind, geben Sie den Pfad für Ihre Train- und train_annotation-Kanäle jeweils als s3://your_bucket/train und s3://your_bucket/train_annotation an.
In der .json-Datei sollte der relative Pfad für ein Bild mit dem Namen "/sample_image1.jpg" "sample_image/sample_image1.jpg" lauten. Die "image_size"-Eigenschaft gibt die allgemeinen Bildabmessungen an. SageMaker Der KI-Algorithmus zur Objekterkennung unterstützt derzeit nur 3-Kanal-Bilder. Die "annotations"-Eigenschaft gibt die Kategorien und Begrenzungsrahmen für Objekte innerhalb des Bildes an. Jedes Objekt wird von einem "class_id" Index mit Anmerkungen und vier Koordinaten des Begrenzungsrahmens ("left", "top", "width", "height") versehen. Die Werte "left" (x-Koordinate) und "top" (y-Koordinate) stellen die obere linke Ecke des Begrenzungsrahmens dar. Die Werte "width" (x-Koordinate) und "height" (y-Koordinate) stellen die Abmessungen des Begrenzungsrahmens dar. Der Ursprung (0, 0) ist die obere linke Ecke des gesamten Bildes. Wenn mehrere Objekte innerhalb eines Bildes vorliegen, werden alle Anmerkungen in einer einzelnen .json-Datei aufgeführt. Die "categories"-Eigenschaft speichert die Zuweisung zwischen dem Klassenindex und dem Klassennamen. Die Klassenindizes sollten aufeinanderfolgend nummeriert sein und die Nummerierung sollte mit 0 beginnen. Die "categories"-Eigenschaft ist für die .json-Anmerkungsdatei optional.
Trainieren mit dem erweiterten Manifest-Image-Format
Im erweiterten Manifestformat können Sie Trainings im Pipe-Modus mit den Bilddateien vornehmen, ohne RecordIO-Dateien erstellen zu müssen. Sie müssen sowohl den train- als auch den und validation-Kanal als Werte für den InputDataConfig-Parameter der CreateTrainingJob-Anforderung angeben. Beim Verwenden dieses Formats muss eine S3-Manifestdatei generiert werden, die die Liste der Bilder und der entsprechenden Anmerkungen enthält. Das Manifestdateiformat sollte im JSON Lines'source-ref'-Tags, das auf den S3-Speicherort der Bilder zeigt, angegeben. Die Anmerkungen werden unter dem Parameterwert "AttributeNames" bereitgestellt, wie in der Anforderung CreateTrainingJob angegeben. Es können auch zusätzliche Metadaten unter dem metadata-Tag enthalten sein. Diese werden jedoch vom Algorithmus ignoriert. Im folgenden Beispiel sind die "AttributeNames in der Liste ["source-ref", "bounding-box"] enthalten:
{"source-ref": "s3://your_bucket/image1.jpg", "bounding-box":{"image_size":[{ "width": 500, "height": 400, "depth":3}], "annotations":[{"class_id": 0, "left": 111, "top": 134, "width": 61, "height": 128}, {"class_id": 5, "left": 161, "top": 250, "width": 80, "height": 50}]}, "bounding-box-metadata":{"class-map":{"0": "dog", "5": "horse"}, "type": "groundtruth/object-detection"}}
{"source-ref": "s3://your_bucket/image2.jpg", "bounding-box":{"image_size":[{ "width": 400, "height": 300, "depth":3}], "annotations":[{"class_id": 1, "left": 100, "top": 120, "width": 43, "height": 78}]}, "bounding-box-metadata":{"class-map":{"1": "cat"}, "type": "groundtruth/object-detection"}}Beim Training mit dem Objekterkennungsalgorithmus muss die Reihenfolge der "AttributeNames" in den Eingabedateien beachtet werden. Er akzeptiert Daten, die in einer bestimmten Reihenfolge übergeben werden. Dabei kommt image zuerst, gefolgt von annotations. Die "AttributeNames" in diesem Beispiel werden also "source-ref" zuerst mit versehen, gefolgt von"bounding-box". Bei der Verwendung der Objekterkennung mit dem erweiterten Manifest muss für den Parameter RecordWrapperType der Wert "RecordIO" festgelegt werden.
Weitere Informationen zu erweiterten Manifestdateien finden Sie unter Erweiterte Manifestdateien für Schulungsjobs.
Inkrementelles Training
Sie können das Training eines neuen Modells auch anhand der Artefakte eines Modells starten, das Sie zuvor mit SageMaker KI trainiert haben. Inkrementelles Training spart Trainingszeit, wenn Sie ein neues Modell mit denselben oder ähnlichen Daten trainieren möchten. SageMaker KI-Objekterkennungsmodelle können nur mit einem anderen integrierten Objekterkennungsmodell erstellt werden, das in SageMaker KI trainiert wurde.
Um ein vortrainiertes Modell zu verwenden, geben Sie in der CreateTrainingJob-Anforderung den ChannelName als "model" im InputDataConfig-Parameter an. Legen Sie den ContentType für den Modellkanal auf application/x-sagemaker-model fest. Die Eingabehyperparameter des neuen und des vortrainierten Modells, die Sie in den Modellkanal hochladen, müssen die gleichen Einstellungen für die Eingabeparameter base_network und num_classes besitzen. Diese Parameter definieren die Netzwerkarchitektur. Verwenden Sie für die vortrainierte Modelldatei die komprimierten Modellartefakte (im Format .tar.gz), die von AI ausgegeben werden. SageMaker Sie können entweder RecordIO- oder Bildformate als Eingabedaten verwenden.
Weitere Informationen zum inkrementellen Training und Anweisungen zu dessen Verwendung finden Sie unter Verwenden Sie inkrementelles Training in Amazon AI SageMaker .
EC2 Instanzempfehlung für den Objekterkennungsalgorithmus
Der Objekterkennungsalgorithmus unterstützt die GPU-Instance-Familien P2, P3, G4dn und G5. Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Sie können den Objekterkennungsalgorithmus in Multi-GPU- und Multi-Maschinen-Umgebungen für verteiltes Training ausführen.
Sie können entweder CPU-Instances (z. B. „C5“ und „M5“) und GPU-Instances (z. B. P3 und G4dn) verwenden.
Beispiel-Notebooks für die Objekterkennung
Für ein Beispielnotizbuch, das zeigt, wie der SageMaker KI-Objekterkennungsalgorithmus verwendet wird, um ein Modell auf dem zu trainieren und zu hosten
Datensatz von Caltech Birds (CUB 200 2011)
Weitere Informationen zum Amazon SageMaker AI Object Detection-Algorithmus finden Sie in den folgenden Blogbeiträgen:
