Memulai dengan Amazon Lookout for Vision

Siapkan Amazon Lookout for Vision dengan mengikuti petunjuk di Pengaturan Amazon Lookout for Vision. Pastikan untuk memasang AWSSDK for Python.

Di AWS Wilayah tempat Anda ingin menggunakan Lookout for Vision, buat bucket S3.

Di bucket Amazon S3, buat folder bernamagetting-started.

Perhatikan Amazon S3 URI dan Amazon Resource name (ARN) untuk folder tersebut. Anda menggunakannya untuk mengatur izin dan menjalankan skrip.

Pastikan bahwa pengguna yang memanggil skrip memiliki izin untuk memanggil s3:PutObject operasi. Anda dapat menggunakan kebijakan berikut. Untuk menetapkan izin, lihatMenetapkan izin.

{
	"Version": "2012-10-17",
	"Statement": [{
		"Sid": "Statement1",
		"Effect": "Allow",
		"Action": [
			"s3:PutObject"
		],
		"Resource": [
			"arn:aws:s3::: ARN for S3 folder in step 4/*"
		]
	}]
}

Pastikan bahwa Anda memiliki profil lokal bernama lookoutvision-access dan bahwa pengguna profil memiliki izin dari langkah sebelumnya. Untuk informasi selengkapnya, lihat Menggunakan profil di komputer lokal Anda.

Unduh file zip, getting-started.zip. File zip berisi dataset memulai dan mengatur skrip.

Buka. getting-started.zip

Di prompt perintah, lakukan hal berikut:

1. Arahkan ke getting-started folder.

2. Jalankan perintah berikut untuk membuat file manifes dan mengunggah gambar pelatihan dan masker gambar ke jalur Amazon S3 yang Anda catat di langkah 4.

   python getting_started.py S3-URI-from-step-4

3. Saat skrip selesai, perhatikan jalur ke train.manifest file yang ditampilkan skrip setelahnyaCreate dataset using manifest file:. Jalannya harus serupa dengans3://path to getting started folder/manifests/train.manifest.

Buka konsol Amazon Lookout for Vision di https://console.aws.amazon.com/lookoutvision/.

Pastikan Anda berada di AWS Wilayah yang sama dengan Anda membuat bucket Amazon S3. Langkah 1: Buat file manifes dan unggah gambar Untuk mengubah Wilayah, pilih nama Wilayah yang ditampilkan saat ini ditampilkan di bilah navigasi. Kemudian pilih Wilayah yang ingin Anda alihkan.

Pilih Mulai.

Di bagian Projects, pilih Create project.

Di halaman Buat proyek, lakukan hal berikut:

1. Di Nama proyek, masukkangetting-started.

2. Pilih Buat proyek.

Pada halaman proyek, di bagian Cara kerjanya, pilih Create dataset.

Di halaman Buat dataset, lakukan hal berikut:

1. Pilih Buat set data tunggal.

2. Di bagian Konfigurasi sumber gambar, pilih Impor gambar yang diberi label oleh SageMaker Ground Truth.

3. Untuk lokasi file.manifest, masukkan lokasi Amazon S3 dari file manifes yang Anda catat pada langkah 6.c. dari. Langkah 1: Buat file manifes dan unggah gambar Lokasi Amazon S3 harus serupa dengan s3://path to getting started folder/manifests/train.manifest

4. Pilih Buat dataset.

Pada halaman detail proyek, di bagian Gambar, lihat gambar dataset. Anda dapat melihat informasi klasifikasi dan segmentasi gambar (label topeng dan anomali) untuk setiap gambar set data. Anda juga dapat mencari gambar, memfilter gambar dengan memberi label status (berlabel/tidak berlabel), atau memfilter gambar berdasarkan label anomali yang ditetapkan padanya.

Pada halaman detail proyek, pilih model Kereta.

Pada halaman Detail model Kereta, pilih Model kereta.

Di Apakah Anda ingin melatih model Anda? kotak dialog, pilih model Kereta.

Di halaman Model proyek, Anda dapat melihat bahwa pelatihan telah dimulai. Periksa status saat ini dengan melihat kolom Status untuk versi model. Melatih model membutuhkan waktu setidaknya 30 menit untuk menyelesaikannya. Pelatihan telah berhasil diselesaikan ketika status berubah menjadi Pelatihan selesai.

Saat latihan selesai, pilih model Model 1 di halaman Model.

Di halaman detail model, lihat hasil evaluasi di tab Metrik kinerja. Ada metrik untuk berikut:

Karena pelatihan model tidak deterministik, hasil evaluasi Anda mungkin berbeda dari hasil yang ditampilkan di halaman ini. Untuk informasi selengkapnya, lihat Meningkatkan model Amazon Lookout for Vision.

Pada halaman detail model, pilih Gunakan model, lalu pilih Integrasikan API ke cloud.

Di bagian AWS CLIperintah, salin start-model AWS CLI perintah.

Pastikan bahwa AWS CLI dikonfigurasi untuk berjalan di AWS Wilayah yang sama di mana Anda menggunakan konsol Amazon Lookout for Vision. Untuk mengubah AWS Wilayah yang AWS CLI digunakan, lihatInstal AWS SDKS.

Di prompt perintah, mulai model dengan memasukkan perintah, mulai model dengan memasukkan perintah, mulai model dengan memasukkan start-model perintah. Jika Anda menggunakan lookoutvision profil untuk mendapatkan kredensil, tambahkan parameter. --profile lookoutvision-access Misalnya:

aws lookoutvision start-model \
  --project-name getting-started \
  --model-version 1 \
  --min-inference-units 1 \
  --profile lookoutvision-access

Jika panggilan berhasil, output berikut akan ditampilkan:

{
    "Status": "STARTING_HOSTING"
}

Di konsol, pilih Model dalam panel navigasi.

Tunggu sampai status model (Model 1) di kolom Status menampilkan Hosted. Jika sebelumnya Anda telah melatih model dalam proyek, tunggu hingga versi model terbaru selesai.

Pada halaman Model, pilih model Model 1.

Pada halaman detail model, pilih Gunakan model, lalu pilih Integrasikan API ke cloud.

Di bagian AWS CLIperintah, salin detect-anomalies AWS CLI perintah.

Pada prompt perintah, analisis gambar anomali dengan memasukkan detect-anomalies perintah dari langkah sebelumnya. Untuk --body parameter, tentukan gambar anomali dari test-images folder memulai di komputer Anda. Jika Anda menggunakan lookoutvision profil untuk mendapatkan kredensil, tambahkan parameter. --profile lookoutvision-access Misalnya:

aws lookoutvision detect-anomalies \
  --project-name getting-started \
  --model-version 1 \
  --content-type image/jpeg \
  --body /path/to/test-images/test-anomaly-1.jpg \
  --profile lookoutvision-access

Outputnya akan serupa dengan yang berikut ini:

{
    "DetectAnomalyResult": {
        "Source": {
            "Type": "direct"
        },
        "IsAnomalous": true,
        "Confidence": 0.983975887298584,
        "Anomalies": [
            {
                "Name": "background",
                "PixelAnomaly": {
                    "TotalPercentageArea": 0.9818974137306213,
                    "Color": "#FFFFFF"
                }
            },
            {
                "Name": "cracked",
                "PixelAnomaly": {
                    "TotalPercentageArea": 0.018102575093507767,
                    "Color": "#23A436"
                }
            }
        ],
        "AnomalyMask": "iVBORw0KGgoAAAANSUhEUgAAAkAAAAMACA......"
    }
}

Di output, perhatikan hal berikut:

Anda dapat menggunakan informasi dalam respons untuk menampilkan campuran gambar yang telah dianalisis dan topeng anomali, seperti yang ditunjukkan pada contoh berikut. Untuk kode sampel, lihat Menampilkan informasi klasifikasi dan segmentasi.

Pada prompt perintah, analisis gambar normal dari test-images folder memulai. Jika Anda menggunakan lookoutvision profil untuk mendapatkan kredensil, tambahkan parameter. --profile lookoutvision-access Misalnya:

aws lookoutvision detect-anomalies \
  --project-name getting-started \
  --model-version 1 \
  --content-type image/jpeg \
  --body /path/to/test-images/test-normal-1.jpg \
  --profile lookoutvision-access

Outputnya akan serupa dengan yang berikut ini:

{
    "DetectAnomalyResult": {
        "Source": {
            "Type": "direct"
        },
        "IsAnomalous": false,
        "Confidence": 0.9916400909423828,
        "Anomalies": [
            {
                "Name": "background",
                "PixelAnomaly": {
                    "TotalPercentageArea": 1.0,
                    "Color": "#FFFFFF"
                }
            }
        ],
        "AnomalyMask": "iVBORw0KGgoAAAANSUhEUgAAAkAAAA....."
    }
}

Dalam output, perhatikan bahwa false nilai untuk IsAnomalous mengklasifikasikan gambar sebagai tidak memiliki anomali. Gunakan Confidence untuk membantu menentukan kepercayaan diri Anda dalam klasifikasi. Juga, Anomalies array hanya memiliki label background anomali.

Pilih Model di panel navigasi.

Di halaman Model, pilih model Model 1.

Pada halaman detail model, pilih Gunakan model, lalu pilih Integrasikan API ke cloud.

Di bagian AWS CLIperintah, salin stop-model AWS CLI perintah.

Pada prompt perintah, hentikan model dengan memasukkan stop-model AWS CLI perintah dari langkah sebelumnya. Jika Anda menggunakan lookoutvision profil untuk mendapatkan kredensil, tambahkan parameter. --profile lookoutvision-access Misalnya:

aws lookoutvision stop-model \
  --project-name getting-started \
  --model-version 1 \
  --profile lookoutvision-access

Jika panggilan berhasil, output berikut akan ditampilkan:

{
    "Status": "STOPPING_HOSTING"
}

Kembali ke konsol, pilih Model di halaman navigasi kiri.

Model telah berhenti ketika status model di kolom Status Pelatihan selesai.