Conjuntos de datos de ejemplo - Amazon Lookout for Vision
Conjuntos de datos de segmentación de imagenConjunto de datos de clasificación de imágenes

Aviso de fin de soporte: el 31 de octubre de 2025, AWS dejaremos de ofrecer soporte a Amazon Lookout for Vision. Después del 31 de octubre de 2025, ya no podrás acceder a la consola Lookout for Vision ni a los recursos de Lookout for Vision. Para obtener más información, visita esta entrada de blog.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Conjuntos de datos de ejemplo

Los siguientes son ejemplos de conjuntos de datos que puede usar con Amazon Lookout for Vision.

Conjuntos de datos de segmentación de imagen

Introducción a Amazon Lookout for Vision proporciona un conjunto de datos de cookies rotas que puede utilizar para crear un modelo de segmentación de imagen.

Para ver otro conjunto de datos que cree un modelo de segmentación de imágenes, consulte Identificar la ubicación de anomalías con Amazon Lookout for Vision en la periferia sin usar una GPU.

Conjunto de datos de clasificación de imágenes

Amazon Lookout for Vision proporciona imágenes de ejemplo de placas de circuitos que puede utilizar para crear un modelo de clasificación de imágenes.

Circuit board module with blue PCB, LED, and various electronic components on green background.

Puede copiar las imágenes del repositorio de GitHub https://github.com/aws-samples/amazon-lookout-for-vision. Las imágenes están en la carpeta circuitboard.

La carpeta circuitboard tiene las siguientes carpetas.

  • train – Imágenes que puede usar en un conjunto de datos de formación.

  • test – Imágenes que puede usar en un conjunto de datos.

  • extra_images – Imágenes que puede usar para realizar un ensayo de detección o para probar el modelo formado con la operación DetectAnomalies.

Las carpetas train y test tienen una subcarpeta denominada normal (contiene imágenes que son normales) y una subcarpeta denominada anomaly (contiene imágenes con anomalías).

nota

Más adelante, al crear un conjunto de datos con la consola, Amazon Lookout for Vision puede usar los nombres de las carpetas (normal y anomaly) para etiquetar las imágenes automáticamente. Para obtener más información, consulte Creación de un conjunto de datos con imágenes almacenadas en un bucket de Amazon S3.

Preparar las imágenes del conjunto de datos

  1. Clone el repositorio https://github.com/aws-samples/amazon-lookout-for-vision en su ordenador. Para obtener más información, consulte Clonación de un repositorio.

  2. Cree un bucket de Amazon S3. Para obtener más información, consulte ¿Cómo puedo crear un bucket de S3?

  3. En el símbolo del sistema, introduzca el siguiente comando para copiar las imágenes del conjunto de datos de su ordenador a su bucket de Amazon S3.

    aws s3 cp --recursive your-repository-folder/circuitboard s3://your-bucket/circuitboard

Tras cargar las imágenes, puede crear un modelo. Puede clasificar automáticamente las imágenes añadiendo las imágenes de la ubicación de Amazon S3 en la que cargó previamente las imágenes de la placa de circuito. Recuerde que se le cobrará por cada formación exitosa de un modelo y por el tiempo que el modelo esté funcionando (en host).

Crear un modelo de clasificación

  1. Realice Creación de un proyecto (consola).

  2. Realice Creación de un conjunto de datos con imágenes almacenadas en un bucket de Amazon S3.

    • Para el paso 6, elija la pestaña Separar los conjuntos de datos de formación y prueba.

    • En el paso 8a, introduzca el URI de S3 de las imágenes de entrenamiento que ha cargado para preparar las imágenes del conjunto de datos. Por ejemplo s3://your-bucket/circuitboard/train. En el paso 8b, ingrese el URI de S3 correspondiente al conjunto de datos de prueba. Por ejemplo, s3://your-bucket/circuitboard/test.

    • Asegúrese de realizar el paso 9.

  3. Realice Entrenamiento de un modelo (consola).

  4. Realice Iniciar el modelo (consola).

  5. Realice Detección de anomalías en una imagen. Puede utilizar imágenes de la carpeta test_images.

  6. Cuando haya terminado con el modelo, realice Detención de un modelo (consola).