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.

Détection d'objets - MXNet

L'MXNetalgorithme Amazon SageMaker Object Detection détecte et classe les objets dans les images à l'aide d'un seul réseau neuronal profond. Il s'agit d'un algorithme d'apprentissage supervisé qui accepte les images en tant qu'entrée et identifie toutes les instances d'objets au sein de l'image. L'objet est classé dans l'une des classes d'une collection spécifiée avec un score de fiabilité qu'il appartient à la classe. Son emplacement et son échelle dans l'image sont indiqués par un cadre de délimitation rectangulaire. Il utilise le framework Single Shot multibox Detector (SSD) et prend en charge deux réseaux de base : VGGet ResNet. Le réseau peut être entraîné à partir de zéro ou à l'aide de modèles préentraînés sur le ImageNetjeu de données.

Interface d'entrée/sortie pour l'algorithme de détection d'objets

L'algorithme SageMaker Object Detection prend en charge à la fois les types de contenu Recordio (application/x-recordio) et image (image/pngimage/jpeg, etapplication/x-image) pour l'entraînement en mode fichier et prend en charge recordIO (application/x-recordio) pour l'entraînement en mode pipe. Toutefois, vous pouvez également entraîner les modèles en mode Pipe (Tube) en utilisant les fichiers image (image/png, image/jpeg et application/x-image), sans créer de fichiers RecordIO, en recourant au format manifeste augmenté. Le format d'entrée recommandé pour les algorithmes de détection SageMaker d'objets Amazon est Apache MXNet Recordio. Toutefois, vous pouvez également utiliser des images brutes au format .jpg ou .png. L'algorithme prend en charge uniquement application/x-image pour l'inférence.

Pour plus d'informations sur les formats de données, consultez Exemples de blocs-notes de détection d'objet.

Entraîner avec le format RecordIO

Si vous utilisez le format RecordIO pour l'entraînement, spécifiez les canaux d'entraînement et de validation comme valeurs du paramètre InputDataConfig de la demande CreateTrainingJob. Spécifiez un fichier RecordIO (.rec) dans le canal d'entraînement et un fichier RecordIO dans le canal de validation. Définissez le type de contenu des deux canaux dans application/x-recordio. Voici un exemple de la façon de générer RecordIO disponible dans l'exemple de bloc-notes de détection d'objet. Vous pouvez également utiliser les outils MXNetde GluonCV pour générer des fichiers Recordio pour des ensembles de données courants tels que les classes d'objets PASCAL visuels et les objets communs dans le contexte (). COCO

Entraîner avec le format Image

Si vous utilisez le format Image pour l'entraînement, spécifiez les canaux train, validation, train_annotation et validation_annotation en tant que valeurs du paramètre InputDataConfig de la demande CreateTrainingJob. Spécifiez les données d'image individuelle (fichiers .jpg ou .png) pour les canaux d'entraînement et de validation. Pour les données d'annotation, vous pouvez utiliser le JSON format. Spécifiez les fichiers .json correspondants dans les canaux train_annotation et validation_annotation. Définissez le type de contenu pour les quatre canaux au format image/png ou image/jpeg en fonction du type d'image. Vous pouvez également utiliser le type de contenu application/x-image lorsque votre ensemble de données contient à la fois des images .png et des images .jpg. Voici un exemple de fichier .json.

{
   "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"
      }
   ]
}

Chaque image a besoin d'un fichier .json pour l'annotation et le fichier .json doit avoir le même nom que l'image correspondante. Le nom du fichier .json ci-dessus doit être « sample_image1.json ». Il existe quatre propriétés dans le fichier d'annotation .json. La propriété « fichier » spécifie le chemin d'accès relatif du fichier image. Par exemple, si vos images d'entraînement et les fichiers .json correspondants sont stockés dans s3 ://your_bucket/train/sample_image et s3 ://your_bucket/train_annotation, spécifiez le chemin de votre train et de vos canaux train_annotation sous la forme s3 ://your_bucket/train et s3 ://your_bucket/train_annotation, respectivement.

Dans le fichier .json, le chemin d'accès relatif d'une image nommée sample_image1.jpg doit être sample_image/sample_image1.jpg. La propriété "image_size" spécifie les dimensions de l'image globale. L'algorithme de détection SageMaker d'objets ne prend actuellement en charge que les images à 3 canaux. La propriété "annotations" spécifie les catégories et les cadres de délimitation des objets au sein de l'image. Chaque objet est annotée par un index "class_id" et par quatre coordonnées du cadre de délimitation ("left", "top", "width", "height"). Les valeurs "left" (coordonnée x) et "top" (coordonnée y) représentent le coin supérieur gauche du cadre de délimitation. Les valeurs "width" (coordonnée x) et "height" (coordonnée y) représentent les dimensions du cadre de délimitation. L'origine (0, 0) est le coin supérieur gauche de la totalité de l'image. Si vous avez plusieurs objets dans une seule image, toutes les annotations doivent être incluses dans un seul fichier .json. La propriété "categories" stocke le mappage entre l'index de la classe et le nom de la classe. Les indices de la classe doivent être numérotés successivement, la numérotation commençant à 0. La propriété "categories" est facultative pour le fichier .json d'annotation.

Entraînement avec le format d'image Manifeste augmenté

Le format manifeste augmenté permet de procéder à l'entraînement en mode Pipe (Tube) en utilisant des fichiers image sans avoir à créer de fichiers RecordIO. Vous devez spécifier les canaux d'entraînement et de validation en tant que valeurs du paramètre InputDataConfig de la demande CreateTrainingJob. Si vous utilisez ce format, un fichier manifeste S3 contenant la liste des images et leurs annotations associées doit être généré. Le format du fichier manifeste doit être au format JSONLignes dans lequel chaque ligne représente un échantillon. Les images sont spécifiées à l'aide de la balise 'source-ref' qui pointe vers l'emplacement S3 de l'image. Les annotations sont fournies sous la valeur du paramètre "AttributeNames", comme indiqué dans la demande CreateTrainingJob. Il peut également contenir des métadonnées supplémentaires sous la balise metadata, mais celles-ci sont ignorées par l'algorithme. Dans l'exemple suivant, les "AttributeNames figurent dans la liste ["source-ref", "bounding-box"] :

{"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"}}

L'ordre des "AttributeNames" dans les fichiers d'entrée est important lors de l'entraînement de l'algorithme de détection d'objet. Ce dernier accepte les données acheminées dans un ordre spécifique, avec image en premier, suivi de annotations. Dans cet exemple, les AttributeNames « » sont donc fournis en "source-ref" premier, suivis de"bounding-box". Lorsque vous utilisez la détection d'objets avec manifeste augmenté, la valeur de paramètre RecordWrapperType doit être définie en tant que "RecordIO".

Pour plus d'informations sur les fichiers manifeste augmenté, consultez Fichiers manifestes augmentés pour les tâches de formation.

Entraînement incrémentiel

Vous pouvez également amorcer l'entraînement d'un nouveau modèle avec les artefacts d'un modèle avec lequel vous vous êtes déjà entraîné SageMaker. L'entraînement progressif permet de gagner du temps lorsque vous souhaitez entraîner un nouveau modèle avec des données identiques ou similaires. SageMaker les modèles de détection d'objets ne peuvent être ensemencés qu'avec un autre modèle de détection d'objets intégré entraîné SageMaker.

Pour utiliser un modèle préentraîné dans la demande CreateTrainingJob, spécifiez ChannelName comme « modèle » dans le paramètre InputDataConfig. Définissez le canal de modèle ContentType sur application/x-sagemaker-model. Les valeurs des hyperparamètres en entrée du nouveau modèle et du modèle préentraîné que vous chargez sur le canal modèle (model) doivent être identiques à celles des paramètres d'entrée base_network et num_classes. Ces paramètres définissent l'architecture réseau. Pour le fichier de modèle préentraîné, utilisez les artefacts de modèle compressés (au format .tar.gz) produits par. SageMaker Pour les données d'entrée, vous pouvez utiliser les formats RecordIO ou image.

Pour plus d'informations sur l'entraînement incrémentiel et pour obtenir des instructions sur son utilisation, consultez Utiliser la formation incrémentielle sur Amazon SageMaker.

EC2Recommandation d'instance pour l'algorithme de détection d'objets

L'algorithme de détection d'objets prend en charge les familles d'instances P2, P3, G4dn et G5. GPU Nous recommandons d'utiliser GPU des instances dotées de plus de mémoire pour l'entraînement avec des lots de grande taille. Vous pouvez exécuter l'algorithme de détection d'objets sur des paramètres multi-machines GPU et multi-machines pour un entraînement distribué.

Vous pouvez utiliser à la fois des instances CPU (telles que C5 et M5) et GPU (telles que P3 et G4dn) pour l'inférence.

Exemples de blocs-notes de détection d'objet

Pour un exemple de bloc-notes expliquant comment utiliser l'algorithme de détection d' SageMaker objets pour entraîner et héberger un modèle sur le

Ensemble de données Caltech Birds (CUB200 2011) utilisant l'algorithme de détection multibox Single Shot, voir Amazon SageMaker Object Detection for Bird Species. Pour savoir comment créer et accéder à des instances de bloc-notes Jupyter dans lesquelles vous pouvez exécuter l'exemple SageMaker, consultez. Instances Amazon SageMaker Notebook Une fois que vous avez créé une instance de bloc-notes et que vous l'avez ouverte, sélectionnez l'onglet SageMaker Exemples pour afficher la liste de tous les SageMaker exemples. L'exemple de bloc-notes de détection d'objets à l'aide de l'algorithme de détection d'objets se trouve dans la section Présentation des algorithmes Amazon . Pour ouvrir un bloc-notes, cliquez sur son onglet Use (Utiliser) et sélectionnez Create copy (Créer une copie).

Pour plus d'informations sur l'algorithme Amazon SageMaker Object Detection, consultez les articles de blog suivants :