Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Détecter des anomalies dans une image
Pour détecter des anomalies dans une image à l'aide d'un modèle Amazon Lookout for Vision entraîné, vous appelez leDetectAnomaliesopération. Le résultat deDetectAnomalies
inclut une prédiction booléenne qui classe l'image comme contenant une ou plusieurs anomalies et une valeur de confiance pour la prédiction. Si le modèle est un modèle de segmentation d'image, le résultat inclut également un masque coloré indiquant les positions des différents types d'anomalies.
Les images que vous fournissez àDetectAnomalies
doivent avoir les mêmes dimensions de largeur et de hauteur que les images que vous avez utilisées pour entraîner le modèle.
DetectAnomalies
accepte les images au format PNG ou JPG. Nous recommandons que les images soient dans le même format de codage et de compression que ceux utilisés pour entraîner le modèle. Par exemple, si vous entraînez le modèle avec des images au format PNG, appelezDetectAnomalies
avec des images au format PNG.
Avant d'appelerDetectAnomalies
, vous devez d'abord démarrer votre modèle avecStartModel
opération. Pour plus d'informations, veuillez consulter Démarrage de votre modèle Amazon Lookout for Vision. Vous êtes facturé en fonction de la durée, en minutes, d'exécution d'un modèle et du nombre d'unités de détection d'anomalies utilisées par votre modèle. Si vous n'utilisez pas de modèle, utilisezStopModel
opération pour arrêter votre modèle. Pour plus d'informations, veuillez consulter Arrêter votre modèle Amazon Lookout for Vision.
Rubriques
Appel de DetectAnomalies
Pour appelerDetectAnomalies
, spécifiez ce qui suit :
-
Projet: nom du projet qui contient le modèle que vous souhaitez utiliser.
-
ModelVersion— La version du modèle que vous souhaitez utiliser.
-
ContentType— Le type d'image que vous souhaitez analyser. Les valeurs valides sont
image/png
(images au format PNG) etimage/jpeg
(Images au format JPG). -
Corps— Les octets binaires non codés qui représentent l'image.
L'image doit avoir les mêmes dimensions que les images utilisées pour entraîner le modèle.
L'exemple suivant montre comment appelerDetectAnomalies
. Vous pouvez utiliser la réponse de fonction issue des exemples Python et Java pour appeler des fonctions dansDéterminer si une image est anormale.
Comprendre la réponse deDetectAnomalies
La réponse deDetectAnomalies
varie en fonction du type de modèle que vous entraînez (modèle de classification ou modèle de segmentation). Dans les deux cas, la réponse estDetectAnomalyResultobjet.
Modèle de classification
Si votre modèle est unModèle de classification d'une, la réponse deDetectAnomalies
contient les éléments suivants :
-
IsAnomalous— Indicateur booléen indiquant que l'image contient une ou plusieurs anomalies.
-
Confiance— La confiance d'Amazon Lookout for Vision dans la précision de la prédiction des anomalies (
IsAnomalous
).Confidence
est une valeur à virgule flottante comprise entre 0 et 1. Une valeur plus élevée indique un niveau de confiance plus élevé. -
Source— Informations sur l'image transmise à
DetectAnomalies
.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996867775917053 } }
Vous pouvez déterminer si une image présente des anomalies en vérifiantIsAnomalous
et en confirmant queConfidence
la valeur est suffisamment élevée pour vos besoins.
Si vous trouvez les valeurs de confiance renvoyées parDetectAnomalies
sont trop faibles, pensez à réadapter le modèle. Pour obtenir un exemple de code, veuillez consulter Classification.
Modèle de segmentation
Si votre modèle est unModèle de segmentation, la réponse inclut des informations de classification et des informations de segmentation, telles qu'un masque d'image et des types d'anomalies. Les informations de classification sont calculées séparément des informations de segmentation et vous ne devez pas supposer qu'il existe une relation entre elles. Si vous ne trouvez pas d'informations de segmentation dans la réponse, vérifiez que vous disposez de la dernière version duAWSSDK installé (AWS Command Line Interface, si vous utilisezAWS CLI). Pour un exemple de code, voirSegmentationetAffichage des informations de classification et de segmentation.
IsAnomalous(classification) — Indicateur booléen qui classe l'image comme normale ou anormale.
Confiance(classification) — La confiance d'Amazon Lookout for Vision dans la précision de la classification de l'image (
IsAnomalous
).Confidence
est une valeur à virgule flottante comprise entre 0 et 1. Une valeur plus élevée indique un niveau de confiance plus élevé.-
Source— Informations sur l'image transmise à
DetectAnomalies
. -
AnomalyMask(segmentation) : masque de pixels couvrant les anomalies détectées dans l'image analysée. Il peut y avoir plusieurs anomalies sur l'image. La couleur d'une carte de masque indique le type d'anomalie. Les couleurs du masque correspondent aux couleurs attribuées aux types d'anomalies dans le jeu de données d'entraînement. Pour trouver le type d'anomalie à partir d'une couleur de masque, vérifiez
Color
dans lePixelAnomaly
champ de chaque anomalie renvoyée dansAnomalies
liste. Pour obtenir un exemple de code, veuillez consulter Affichage des informations de classification et de segmentation. -
Anomalies(segmentation) — Liste des anomalies détectées dans l'image. Chaque anomalie inclut le type d'anomalie (
Name
) et des informations sur les pixels (PixelAnomaly
).TotalPercentageArea
est le pourcentage de la zone de l'image couverte par l'anomalie.Color
est la couleur du masque correspondant à l'anomalie.Le premier élément de la liste est toujours un type d'anomalie représentant l'arrière-plan de l'image (
BACKGROUND
) et ne doit pas être considéré comme une anomalie. Amazon Lookout for Vision ajoute automatiquement le type d'anomalie d'arrière-plan à la réponse. Il n'est pas nécessaire de déclarer un type d'anomalie d'arrière-plan dans votre jeu de données.
{ "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....." } }