Nozioni di base su Amazon Lookout for Vision

Configura Amazon Lookout for Vision seguendo le istruzioni in Configurazione di Amazon Lookout for Vision. Assicurati di installare l'AWSSDK per Python.

Nella AWS regione in cui desideri utilizzare Lookout for Vision, crea un bucket S3.

Nel bucket Amazon S3 crea una cartella denominata. getting-started

Annotare l'URI Amazon S3 e il nome della risorsa Amazon (ARN) per la cartella. Li usi per configurare le autorizzazioni ed eseguire lo script.

Assicurati che l'utente che chiama lo script disponga delle autorizzazioni per chiamare l's3:PutObjectoperazione. È possibile utilizzare la seguente policy. Per assegnare le autorizzazioni, vedere. Assegnare le autorizzazioni

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

Assicurati di avere un profilo locale denominato lookoutvision-access e che l'utente del profilo disponga delle autorizzazioni del passaggio precedente. Per ulteriori informazioni, consulta Utilizzo di un profilo su un computer locale.

Scarica il file zip, getting-started.zip. Il file zip contiene il set di dati introduttivo e lo script di configurazione.

Decomprimi il file getting-started.zip.

Al prompt dei comandi procedere come segue:

1. Accedere alla cartella getting-started.

2. Esegui il comando seguente per creare un file manifest e caricare le immagini di allenamento e le maschere di immagini nel percorso Amazon S3 indicato nel passaggio 4.

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

3. Al termine dello script, annota il percorso del train.manifest file che lo script visualizza dopoCreate dataset using manifest file:. Il percorso dovrebbe essere simile as3://path to getting started folder/manifests/train.manifest.

Apri la console Amazon Lookout for Vision all'indirizzo https://console.aws.amazon.com/lookoutvision/.

Assicurati di essere nella stessa AWS regione in cui hai creato il bucket Amazon S3. Fase 1: crea il file del manifesto e carica delle immagini Per modificare la Regione, scegliere il nome della Regione attualmente visualizzata nella barra di navigazione. Quindi seleziona la Regione alla quale desideri passare.

Scegliere Inizia.

Nella sezione Progetti, scegli Crea progetto.

Nella pagina Crea progetto procedere come segue:

1. In Nome progetto, inseriscigetting-started.

2. Seleziona Create project (Crea progetto).

Nella pagina del progetto, nella sezione Come funziona, scegli Crea set di dati.

Nella pagina Crea set di dati procedere come segue:

1. Scegli Crea un singolo set di dati.

2. Nella sezione Configurazione della sorgente dell'immagine, scegli Importa immagini etichettate da SageMaker Ground Truth.

3. Per la posizione del file.manifest, inserisci la posizione Amazon S3 del file manifest che hai annotato nel passaggio 6.c. di. Fase 1: crea il file del manifesto e carica delle immagini La posizione di Amazon S3 dovrebbe essere simile a s3://path to getting started folder/manifests/train.manifest

4. Scegli Crea set di dati.

Nella pagina dei dettagli del progetto, nella sezione Immagini, visualizza le immagini del set di dati. È possibile visualizzare le informazioni sulla classificazione e sulla segmentazione delle immagini (etichette di maschere e anomalie) per ogni immagine del set di dati. Puoi anche cercare immagini, filtrare le immagini in base allo stato dell'etichettatura (etichettate/senza etichetta) o filtrare le immagini in base alle etichette di anomalia ad esse assegnate.

Nella pagina dei dettagli del progetto, scegli Modello ferroviario.

Nella pagina dei dettagli del modello di treno, scegli Modello di treno.

Nella sezione Vuoi addestrare il tuo modello? finestra di dialogo scegliere Modello di treno.

Nella pagina Modelli del progetto, puoi vedere che la formazione è iniziata. Controlla lo stato corrente visualizzando la colonna Stato per la versione del modello. L'addestramento del modello richiede almeno 30 minuti. L'allenamento è terminato con successo quando lo stato cambia in Allenamento completato.

Al termine dell'allenamento, scegli il modello Modello 1 nella pagina Modelli.

Nella pagina dei dettagli del modello, visualizza i risultati della valutazione nella scheda Metriche delle prestazioni. Esistono metriche per quanto segue:

Poiché l'allenamento modello non è deterministico, i risultati della valutazione potrebbero differire dai risultati mostrati in questa pagina. Per ulteriori informazioni, consulta Come migliorare il modello Amazon Lookout for Vision.

Nella pagina dei dettagli del modello, scegli Usa modello, quindi scegli Integrate API to the cloud.

Nella sezione AWS CLIcomandi, copia il start-model AWS CLI comando.

Assicurati che AWS CLI sia configurato per funzionare nella stessa AWS regione in cui utilizzi la console Amazon Lookout for Vision. Per modificare la AWS regione AWS CLI utilizzata, vedereInstalla gli SDK AWS.

Al prompt dei comandi, avviate il modello immettendo il start-model comando. Se utilizzi il lookoutvision profilo per ottenere le credenziali, aggiungi il --profile lookoutvision-access parametro. Ad esempio:

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

Se la chiamata ha esito positivo, viene visualizzato il seguente output:

{
    "Status": "STARTING_HOSTING"
}

Nella console scegliere Modelli nel riquadro di navigazione.

Attendere che lo stato del modello (Modello 1) nella colonna Stato venga visualizzato Hosted. Se hai già addestrato un modello nel progetto, attendi il completamento della versione più recente del modello.

Nella pagina Modelli, scegli il modello Modello 1.

Nella pagina dei dettagli del modello, scegli Usa modello, quindi scegli Integrate API to the cloud.

Nella sezione AWS CLIcomandi, copia il detect-anomalies AWS CLI comando.

Al prompt dei comandi, analizza un'immagine anomala inserendo il detect-anomalies comando del passaggio precedente. Per il --body parametro, specifica un'immagine anomala dalla test-images cartella introduttiva sul tuo computer. Se utilizzi il lookoutvision profilo per ottenere le credenziali, aggiungi il --profile lookoutvision-access parametro. Ad esempio:

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

L'output visualizzato dovrebbe essere simile al seguente:

{
    "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......"
    }
}

Nell'output, tenere presente quanto segue:

È possibile utilizzare le informazioni nella risposta per visualizzare una combinazione dell'immagine analizzata e maschera delle anomalie, come illustrato nell'esempio seguente. Per il codice di esempio, consulta Visualizzazione delle informazioni di classificazione e segmentazione.

Al prompt dei comandi, analizza un'immagine normale dalla test-images cartella introduttiva. Se utilizzi il lookoutvision profilo per ottenere le credenziali, aggiungi il --profile lookoutvision-access parametro. Ad esempio:

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

L'output visualizzato dovrebbe essere simile al seguente:

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

Nell'output, nota che il false valore di IsAnomalous classifica l'immagine come priva di anomalie. ConfidenceUtilizzalo per determinare la tua fiducia nella classificazione. Inoltre, l'Anomaliesarray ha solo l'etichetta dell'backgroundanomalia.

Nel riquadro di navigazione scegliere Modelli.

Nella pagina Modelli, scegli il modello Modello 1.

Nella pagina dei dettagli del modello, scegli Usa modello, quindi scegli Integrate API to the cloud.

Nella sezione AWS CLIcomandi, copia il stop-model AWS CLI comando.

Al prompt dei comandi, arrestate il modello immettendo il stop-model AWS CLI comando del passaggio precedente. Se utilizzi il lookoutvision profilo per ottenere le credenziali, aggiungi il --profile lookoutvision-access parametro. Ad esempio:

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

Se la chiamata ha esito positivo, viene visualizzato il seguente output:

{
    "Status": "STOPPING_HOSTING"
}

Torna alla console, scegli Modelli nella pagina di navigazione a sinistra.

Il modello si è fermato quando lo stato del modello nella colonna Stato è Allenamento completato.