Amazon Lookout for Vision コンソールの開始

「Amazon Lookout for Vision をセットアップする」の手順に従って Amazon Lookout for Vision をセットアップします。必ず Python 用 AWS SDK をインストールしてください。

Lookout for Vision を使用したい AWS リージョンで、S3 バケットを作成します。

Amazon S3 バケットで、getting-started という名前のフォルダを作成します。

Amazon S3 URI and Amazon リソースネーム (ARN) をメモします。これらを使用して権限をセットアップし、スクリプトを実行します。

スクリプトを呼び出すユーザーに、s3:PutObject オペレーションを呼び出す権限があることを確かめてください。以下のポリシーを使用できます。権限を割り当てるには 権限の割り当て を参照してください。

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

lookoutvision-access という名前のローカルプロファイルがあり、そのプロファイルユーザーが前のステップの権限を持っていることを確かめてください。詳細については、「ローカルコンピュータでのプロファイルの使用」を参照してください。

zip ファイル getting-started.zip をダウンロードします。zip ファイルには、開始用データセットとセットアップスクリプトが含まれています。

ファイル getting-started.zip を解凍します。

コマンドプロンプトで、以下を行います:

1. getting-started フォルダに移動します。

2. 次のコマンドを実行してマニフェストファイルを作成し、ステップ 4 でメモした Amazon S3 パスにトレーニング画像と画像マスクをアップロードします。

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

3. スクリプトが完了したら、スクリプトで Create dataset using manifest file: の後に表示される train.manifest ファイルへのパスをメモします。パスは s3://path to getting started folder/manifests/train.manifest に似たものとなるはずです。

https://console.aws.amazon.com/lookoutvision/ で Amazon Lookout for Vision コンソールを開きます。

ステップ1: マニフェストファイルとアップロード画像を作成する で Amazon S3 バケットを作成したリージョンと同じ AWS リージョンに存在することを確かめます。リージョンを変更するには、ナビゲーションバーで、現在表示されているリージョン名を選択します。切り替え先となるリージョンを選択します。

[開始する] を選択します。

[プロジェクト] セクションで、[プロジェクトを作成] を選択します。

「プロジェクトを作成」ページで、以下を行います:

1. [プロジェクト名] に getting-started を入力します。

2. [プロジェクトを作成] を選択します。

[動作方法] セクションで、[データセットを作成] を選択します。

「データセットを作成する」ページで、次の操作を行います。

1. [シングルデータセットを作成] を選択します。

2. [画像ソース構成] セクションで、[SageMaker Ground Truth によってラベル付けされた画像をインポート] を選択します。

3. [.manifest ファイルの場所] には、ステップ1: マニフェストファイルとアップロード画像を作成する のステップ 6.c. でメモしたマニフェストファイルの Amazon S3 の場所を入力します。Amazon S3 の場所は s3://path to getting started folder/manifests/train.manifest のようになっているはずです

4. [データセットを作成] を選択します。

プロジェクト詳細ページの [画像] セクションに、データセットの画像が表示されます。各データセット画像の分類と画像セグメンテーション情報 (マスクラベルと異常ラベル) を表示できます。また、画像を検索したり、ラベリングステータス (ラベル付き/ラベルなし) で画像をフィルターしたり、割り当てられた異常ラベルで画像をフィルターしたりすることもできます。

プロジェクト詳細ページで、[モデルをトレーニング] を選択します。

「モデルをトレーニングする」詳細ページで、[モデルをトレーニング] を選択します。

「モデルをトレーニングしますか?」ダイアログボックスで、[モデルをトレーニング] を選択します。

プロジェクトの「モデル」ページでは、トレーニングが開始されたことを確認できます。モデルの現在のステータスは、「ステータス」列に表示されます。モデルのトレーニングには 30 分ほどかかります。ステータスが「トレーニング完了」に変わると、トレーニングは正常に終了します。

トレーニングが終了したら、「モデル」ページで [モデル 1] を選択します。

モデルの詳細ページの「パフォーマンスメトリクス」タブに評価結果が表示されます。次のメトリクスを参照できます:

モデルトレーニングは非決定的であるため、評価結果がこのページに表示されている結果と異なる場合があります。詳細については、「Amazon Lookout for Vision モデルの改善」を参照してください。

モデルの詳細ページで [モデルを使用] を選択し、[API をクラウドに統合] を選択します。

[AWS CLI コマンド] セクションで、start-model AWS CLI コマンドをコピーします。

AWS CLI が Amazon Lookout for Vision コンソールを使用しているのと同じ AWS リージョンで実行するように構成されていることを確かめてください。AWS CLI が使用する AWS リージョンを変更するには、  のインストール AWS SDKS を参照してください。

コマンドプロンプトで、start-model コマンドの入力によりモデルを開始します。lookoutvision プロファイルを使用して認証情報を取得する場合は、--profile lookoutvision-access パラメーターを追加します。例:

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

クラスターが作成されると、次の出力が表示されます:

{
    "Status": "STARTING_HOSTING"
}

コンソールに戻り、ナビゲーションペインの [モデル] を選択します。

[ステータス] 列でモデル (Model 1) のステータスが「ホスト済み」と表示されるまで待ってください。以前にプロジェクトでモデルをトレーニングしたことがある場合は、最新のモデルバージョンが完了するまでお待ちください。

「モデル」ページで、[モデル 1] を選択します。

モデルの詳細ページで [モデルを使用] を選択してから [API をクラウドに統合] を選択します。

[AWS CLI コマンド] セクションで、detect-anomalies AWS CLI コマンドをコピーします。

コマンドプロンプトで、前のステップの detect-anomalies コマンドを入力して異常画像を分析します。--body パラメータには、PC の開始用 test-images フォルダーにある異常画像を指定します。lookoutvision プロファイルを使用して認証情報を取得する場合は、--profile lookoutvision-access パラメータを追加します。例:

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

出力は次の例に類似したものになります:

{
    "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......"
    }
}

出力について、以下の点に注意してください:

次の例のように、レスポンス内の情報を使って、分析された画像と異常マスクを融合させたものを表示できます。サンプルコードについては、「分類とセグメンテーションの情報の表示」を参照してください。

コマンドプロンプトで、開始用 test-images フォルダーにある正常の画像を分析します。lookoutvision プロファイルを使用して認証情報を取得する場合は、--profile lookoutvision-access パラメータを追加します。例:

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

出力は次の例に類似したものになります:

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

出力では、IsAnomalous に対する false 値によって画像を異常なしと分類することに注意してください。Confidence を分類の信頼度を判断するのに役立ててください。また、Anomalies 配列には background 異常ラベルしか付いていません。

ナビゲーションペインで、[モデル] を選択します。

「モデル」ページで、[モデル 1] を選択します。

モデルの詳細ページで [モデルを使用] を選択してから [API をクラウドに統合] を選択します。

[AWS CLI コマンド] セクションで、stop-model AWS CLI コマンドをコピーします。

コマンドプロンプトで、前のステップから stop-model AWS CLI コマンドを入力してモデルを停止します。lookoutvision プロファイルを使用して認証情報を取得する場合は、--profile lookoutvision-access パラメーターを追加します。例:

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

呼び出しが完了すると、次の出力が表示されます:

{
    "Status": "STOPPING_HOSTING"
}

コンソールで戻り、左ナビゲーションページで [モデル] を選択します。

「ステータス」列のモデルのステータスが「トレーニング完了」の場合、このモデルは停止しています。