Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Rilevamento di anomalie in un'immagine
Per rilevare anomalie in un'immagine con un modello Amazon Lookout for Vision addestrato, chiamiDetectAnomaliesoperazione. Il risultato diDetectAnomalies
include una previsione booleana che classifica l'immagine come contenente una o più anomalie e un valore di affidabilità per la previsione. Se il modello è un modello di segmentazione dell'immagine, il risultato include anche una maschera colorata che mostra le posizioni di diversi tipi di anomalie.
Le immagini che fornisci aDetectAnomalies
deve avere le stesse dimensioni di larghezza e altezza delle immagini utilizzate per addestrare il modello.
DetectAnomalies
accetta immagini in formato PNG o JPG. È consigliabile che le immagini abbiano lo stesso formato di codifica e compressione utilizzato per addestrare il modello. Ad esempio, se addestrate il modello con immagini in formato PNG, chiamateDetectAnomalies
con immagini in formato PNG.
Prima di chiamareDetectAnomalies
, devi prima avviare il tuo modello conStartModel
operazione. Per ulteriori informazioni, consulta Avvio del modello Amazon Lookout for Vision. Ti viene addebitato il costo in base alla durata, in minuti, di funzionamento di un modello e al numero di unità di rilevamento delle anomalie utilizzate dal modello. Se non si utilizza un modello, utilizzare ilStopModel
operazione per fermare il modello. Per ulteriori informazioni, consulta Interruzione del modello Amazon Lookout for Vision.
Argomenti
Chiamata di DetectAnomalies
ChiamareDetectAnomalies
, specificare quanto segue:
-
Progetto— Il nome del progetto che contiene il modello che si desidera utilizzare.
-
ModelVersion— La versione del modello che si desidera utilizzare.
-
ContentType— Il tipo di immagine che desideri analizzare. I valori validi sono
image/png
(immagini in formato PNG) eimage/jpeg
(immagini in formato JPG). -
Corpo— I byte binari non codificati che rappresentano l'immagine.
L'immagine deve avere le stesse dimensioni delle immagini utilizzate per addestrare il modello.
L'esempio seguente mostra come chiamareDetectAnomalies
. È possibile utilizzare la risposta della funzione degli esempi di Python e Java per chiamare le funzioni inDeterminare se un'immagine è anomala.
Comprendere la risposta diDetectAnomalies
La risposta diDetectAnomalies
varia a seconda del tipo di modello da addestrare (modello di classificazione o modello di segmentazione). In entrambi i casi la risposta èDetectAnomalyResultoggetto.
Modello di classificazione
Se il tuo modello èModello di classificazione delle immagini, la risposta diDetectAnomalies
contiene quanto segue:
-
IsAnomalous— Un indicatore booleano che indica che l'immagine contiene una o più anomalie.
-
Fiducia— La fiducia che Amazon Lookout for Vision ripone nell'accuratezza della previsione delle anomalie (
IsAnomalous
).Confidence
è un valore in virgola mobile compreso tra 0 e 1. Un valore più alto indica una maggiore confidenza. -
Fonte— Informazioni sull'immagine trasmessa a
DetectAnomalies
.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996867775917053 } }
Si determina se in un'immagine è anomala controllando ilIsAnomalous
campo e confermando che ilConfidence
il valore è sufficientemente alto per le tue esigenze.
Se stai trovando i valori di confidenza restituiti daDetectAnomalies
sono troppo bassi, considera la riqualificazione del modello. Per il codice di esempio, consulta Classificazione.
Modello di segmentazione
Se il tuo modello èModello di segmentazione delle immagini, la risposta include informazioni sulla classificazione e sulla segmentazione, come una maschera di immagine e tipi di anomalie. Le informazioni sulla classificazione vengono calcolate separatamente dalle informazioni sulla segmentazione e non si deve presumere una relazione tra di esse. Se non ricevi informazioni sulla segmentazione nella risposta, verifica di disporre della versione più recente diAWSSDK installato (AWS Command Line Interface, se si utilizzaAWS CLI). Ad esempio di codice, vediSegmentazioneeVisualizzazione delle informazioni su classificazione e segmentazione.
IsAnomalous(classificazione) — Un indicatore booleano che classifica l'immagine come normale o anomala.
Fiducia(classificazione) — La fiducia di Amazon Lookout for Vision nell'accuratezza della classificazione dell'immagine (
IsAnomalous
).Confidence
è un valore in virgola mobile compreso tra 0 e 1. Un valore più alto indica una maggiore confidenza.-
Fonte— Informazioni sull'immagine trasmessa a
DetectAnomalies
. -
AnomalyMask(segmentazione) — Una maschera di pixel che copre le anomalie rilevate nell'immagine analizzata. L'immagine può presentare più anomalie. Il colore di una mappa a maschera indica il tipo di anomalia. I colori della maschera corrispondono ai colori assegnati ai tipi di anomalia nel set di dati di addestramento. Per trovare il tipo di anomalia in base al colore di una maschera, controlla
Color
nelPixelAnomaly
campo di ciascuna anomalia restituita nelAnomalies
elenco. Per il codice di esempio, consulta Visualizzazione delle informazioni su classificazione e segmentazione. -
Anomalie(segmentazione) — Un elenco di anomalie rilevate nell'immagine. Ogni anomalia include il tipo di anomalia (
Name
) e informazioni sui pixel (PixelAnomaly
).TotalPercentageArea
è l'area percentuale dell'immagine coperta dall'anomalia.Color
è il colore della maschera per l'anomalia.Il primo elemento dell'elenco è sempre un tipo di anomalia che rappresenta lo sfondo dell'immagine (
BACKGROUND
) e non deve essere considerata un'anomalia. Amazon Lookout for Vision aggiunge automaticamente il tipo di anomalia di sfondo alla risposta. Non è necessario dichiarare un tipo di anomalia di fondo nel set di dati.
{ "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....." } }