As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Conceitos básicos do Amazon Rekognition Custom Labels
Antes de iniciar estas instruções de Conceitos básicos, recomendamos que você leia Noções básicas do Amazon Rekognition Custom Labels.
São usados rótulios personalizados do Amazon Rekognition Custom Labels para treinar um modelo de machine learning. O modelo treinado analiza imagens para encontrar objetos, cenas e conceitos exclusivos da sua empresa. Por exemplo, é possível treinar um modelo para classificar imagens de casas ou encontrar a localização de peças eletrônicas em uma placa de circuito impresso.
Para ajudar você a começar, o Amazon Rekognition Custom Labels inclui tutorais em vídeo e projetos de exemplo.
Tutoriais em vídeo
Os vídeos mostram como usar o Amazon Rekognition Custom Labels para treinar e usar um modelo.
Para visualizar os tutoriais em vídeo
No painel esquerdo, escolha Usar rótulos personalizados. A página inicial do Amazon Rekognition Custom Labels é exibida. Se você não vê a opção Usar etiquetas personalizadas, verifique se a região da AWS que você está usando é compatível com o Amazon Rekognition Custom Labels.
No painel de navegação, escolha Conceitos básicos.
Em O que é o Amazon Rekognition Custom Labels?, escolha o vídeo para assistir ao vídeo de visão geral.
No painel de navegação, escolha Tutoriais.
Na página Tutoriais, escolha os tutoriais em vídeo que você deseja assistir.
Projetos de exemplo
O Amazon Rekognition Custom Labels fornece os seguintes exemplos de projetos.
Classificação de imagens
O projeto de classificação de imagens (Cômodos) treina um modelo que encontra uma ou mais localizações domésticas em uma imagem, como quintal, cozinha e pátio. As imagens de treinamento e teste representam um único local. Cada imagem é rotulada com um único rótulo em nível de imagem, como cozinha, pátio ou sala_de_estar. Para uma imagem analisada, o modelo treinado retorna um ou mais rótulos correspondentes do conjunto de rótulos em nível de imagem usado para treinamento. Por exemplo, o modelo pode encontrar o rótulo sala_de_estar na imagem a seguir. Para ter mais informações, consulte Encontre objetos, cenas e conceitos.
Classificação de imagens com vários rótulos
O projeto de classificação de imagens com vários rótulos (Flores) treina um modelo que categoriza imagens de flores em três conceitos (tipo de flor, presença de folhas e estágio de crescimento).
As imagens de treinamento e teste têm rótulos em nível de imagem para cada conceito, como camélia para um tipo de flor, with_leaves para uma flor com folhas e fully_grown para uma flor que está totalmente crescida.
Para uma imagem analisada, o modelo treinado retorna rótulos correspondentes do conjunto de rótulos em nível de imagem usado para treinamento. Por exemplo, o modelo retorna os rótulos herbacia_do_mediterraneo e com_folhas para a imagem a seguir. Para ter mais informações, consulte Encontre objetos, cenas e conceitos.
Detecção de marca
O projeto de detecção de marca (Logos) treina um modelo que encontra a localização de determinados AWS logotipos, como Amazon Textract e AWS lambda. As imagens de treinamento são apenas do logotipo e têm um único rótulo de nível de imagem, como lambda ou textract. Também é possível treinar um modelo de detecção de marca com imagens de treinamento que tenham caixas delimitadoras para a localização da marca. As imagens de teste têm caixas delimitadoras rotuladas que representam a localização dos logotipos em locais naturais, como um diagrama arquitetônico. O modelo treinado encontra os logotipos e retorna uma caixa delimitadora rotulada para cada logotipo encontrado. Para ter mais informações, consulte Encontre localizações de marcas.
Localização de objetos
O projeto de localização de objetos (placas de circuito) treina um modelo que encontra a localização das peças em uma placa de circuito impresso, como um comparador ou um diodo emissor de luz infravermelha. As imagens de treinamento e teste incluem caixas delimitadoras que cercam as partes da placa de circuito e um rótulo que identifica a peça dentro da caixa delimitadora. Na imagem de exemplo a seguir, os nomes dos rótulos são ir_phototransistor, ir_led, pot_resistor e comparator. O modelo treinado encontra as peças da placa de circuito e retorna um limite rotulado para cada parte do circuito encontrada. Para ter mais informações, consulte Encontre localizações de objetos.
Como usar os projetos de exemplo
Estas instruções de introdução mostram como treinar um modelo usando exemplos de projetos que o Amazon Rekognition Custom Labels cria para você. Também mostra como iniciar o modelo e usá-lo para analisar uma imagem.
Como criar o projeto de exemplo
Para começar, decida qual projeto usar. Para ter mais informações, consulte Etapa 1: escolha um projeto de exemplo.
O Amazon Rekognition Custom Labels usa conjuntos de dados para treinar e avaliar (testar) um modelo. Um conjunto de dados gerencia imagens e os rótulos que identificam o conteúdo das imagens. Os projetos de exemplo incluem um conjunto de dados de treinamento e um conjunto de dados de teste no qual todas as imagens são rotuladas. Não é preciso fazer nenhuma alteração antes de treinar seu modelo. Os exemplos de projetos mostram as duas maneiras pelas quais o Amazon Rekognition Custom Labels usa rótulos para treinar diferentes tipos de modelos.
image-level: o rótulo identifica um objeto, cena ou conceito que representa a imagem inteira.
caixa delimitadora: o rótulo identifica o conteúdo de uma caixa delimitadora. Uma caixa delimitadora é um conjunto de coordenadas de imagem que circunda um objeto em uma imagem.
Posteriormente, ao criar um projeto com suas próprias imagens, você deve criar conjuntos de dados de treinamento e teste, além de rotular suas imagens. Para ter mais informações, consulte Decida o tipo do seu modelo.
Como treinar o modelo
Depois que o Amazon Rekognition Custom Labels criar o projeto de exemplo, é possível treinar o modelo. Para ter mais informações, consulte Etapa 2: treine seu modelo. Após o término do treinamento, você normalmente avalia o desempenho do modelo. As imagens no conjunto de dados de exemplo já criam um modelo de alto desempenho e você não precisa avaliar o modelo antes de executá-lo. Para ter mais informações, consulte Como melhorar um modelo treinado do Amazon Rekognition Custom Labels.
Como usar o modelo
Em seguida, inicie o modelo. Para ter mais informações, consulte Etapa 3: inicie seu modelo.
Depois de começar a executar seu modelo, é possível usá-lo para analisar novas imagens. Para ter mais informações, consulte Etapa 4: analise uma imagem com seu modelo.
Há uma cobrança pela quantidade de tempo que o modelo é executado. Ao terminar de usar o modelo de exemplo, deve interromper o modelo. Para ter mais informações, consulte Etapa 5: interrompa seu modelo.
Próximas etapas
Quando tudo estiver pronto, poderá criar e implantar seus próprios projetos. Para ter mais informações, consulte Etapa 6: próximas etapas.
