开始使用 Amazon Lookout for Vision

按照设置 Amazon Lookout for Vision 部分的说明，设置 Amazon Lookout for Vision。请务必安装适用于 Python 的 AWS SDK。

在您要使用 Lookout for Vision 的 AWS 区域中，创建一个 S3 桶。

在 Amazon S3 桶中，创建一个文件夹，名称为 getting-started。

记下 Amazon S3 URI 和该文件夹的 Amazon 资源名称 (ARN)。您需要使用它们来设置权限和运行脚本。

确保调用脚本的用户有权调用 s3:PutObject 操作。您可以使用以下策略。若要分配权限，请参阅分配权限。

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

确保您具有名为 lookoutvision-access 的本地配置文件，并且该配置文件的用户具有上一步中的权限。有关更多信息，请参阅 在本地计算机上使用配置文件。

下载压缩文件：getting-started.zip。压缩文件包含入门数据集和设置脚本。

解压缩 getting-started.zip 文件。

在命令提示符下，执行以下操作：

1. 导航到 getting-started 文件夹。

2. 运行以下命令以创建清单文件，并将训练图像和图像掩码上传到您在步骤 4 中记下的 Amazon S3 路径。

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

3. 当脚本完成后，记下 train.manifest 文件的路径，该路径在脚本中显示在 Create dataset using manifest file: 之后。该路径应该类似于 s3://path to getting started folder/manifests/train.manifest。

打开 Amazon Lookout for Vision 控制台，网址为 https://console.aws.amazon.com/lookoutvision/。

确保您所在的 AWS 区域与您在步骤 1：创建清单文件并上传图像中创建 Amazon S3 桶时相同。要更改区域，请在导航栏上选择当前所显示区域的名称。然后，选择要切换到的区域。

选择开始使用。

在项目部分，选择创建项目。

在创建项目页面上，执行以下操作：

1. 在项目名称中，输入 getting-started。

2. 请选择 Create project（创建项目）。

在项目页面上的工作原理部分，选择创建数据集。

在创建数据集页面上，执行以下操作：

1. 选择创建单个数据集。

2. 在图像源配置部分，选择导入由 SageMaker Ground Truth 标注的图像。

3. 对于 .manifest 文件位置，请输入您在步骤 1：创建清单文件并上传图像步骤 6.c 中记下的清单文件的 Amazon S3 位置。Amazon S3 位置应该类似于 s3://path to getting started folder/manifests/train.manifest

4. 选择创建数据集。

在项目详细信息页面上的图像部分，查看数据集图像。您可以查看每个数据集图像的分类和图像分割信息（掩码和异常标签）。您还可以搜索图像，按标注状态（已标注/未标注）筛选图像，或者按分配给图像的异常标签筛选图像。

在项目详细信息页面上，选择训练模型。

在训练模型详细信息页面上，选择训练模型。

在是否要训练您的模型？对话框中，选择训练模型。

在项目模型页面中，您可以看到训练已经开始。通过查看模型版本的状态列，检查当前状态。完成模型训练至少需要 30 分钟。当状态更改为训练完成时，表示已成功完成训练。

训练结束后，在模型页面中选择模型 1。

在模型的详细信息页面中，查看性能指标选项卡中的评估结果。有以下方面的指标：

由于模型训练为非确定性，因此您的评估结果可能与此页面上显示的结果有所不同。有关更多信息，请参阅 改进您的 Amazon Lookout for Vision 模型。

在模型的详细信息页面上，选择使用模型，然后选择将 API 集成到云。

在 AWS CLI 命令部分，复制 start-model AWS CLI 命令。

确保将 AWS CLI 配置为在您使用 Amazon Lookout for Vision 控制台的同一 AWS 区域内运行。要更改 AWS CLI 使用的 AWS 区域，请参阅安装 AWS SDKS。

在命令提示符下，输入 start-model 命令以启动模型。如果您使用 lookoutvision 配置文件来获取凭证，请添加 --profile lookoutvision-access 参数。例如：

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

如果调用成功，将显示以下输出：

{
    "Status": "STARTING_HOSTING"
}

返回控制台，在导航窗格中选择模型。

等待状态列中模型（模型 1）的状态显示为已托管。如果您之前在项目中训练过模型，请等待最新的模型版本完成。

在模型页面上，选择模型 1。

在模型的详细信息页面上，选择使用模型，然后选择将 API 集成到云。

在 AWS CLI 命令部分，复制 detect-anomalies AWS CLI 命令。

在命令提示符处，输入上一步中的 detect-anomalies 命令以分析异常图像。对于 --body 参数，请指定您计算机上开始使用 test-images 文件夹中的异常图像。如果您使用 lookoutvision 配置文件来获取凭证，请添加 --profile lookoutvision-access 参数。例如：

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

该输出值应该类似于以下内容：

{
    "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......"
    }
}

在输出中，请注意以下内容：

您可以使用响应中的信息，显示所分析图像和异常掩码的融合，如以下示例所示。有关示例代码，请参阅 显示分类和分割信息。

在命令提示符下，对开始使用 test-images 文件夹中的正常图像进行分析。如果您使用 lookoutvision 配置文件来获取凭证，请添加 --profile lookoutvision-access 参数。例如：

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

该输出值应该类似于以下内容：

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

在输出中，注意 IsAnomalous 的值为 false，表示将该图像分类为无异常。使用 Confidence 有助于确定您对分类的信心。此外，Anomalies 数组只有 background 异常标签。

在导航窗格中，选择模型。

在模型页面中，选择模型 1。

在模型的详细信息页面上，选择使用模型，然后选择将 API 集成到云。

在 AWS CLI 命令部分，复制 stop-model AWS CLI 命令。

在命令提示符下，输入上一步中的 stop-model AWS CLI 命令以停止模型。如果您使用 lookoutvision 配置文件来获取凭证，请添加 --profile lookoutvision-access 参数。例如：

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

如果调用成功，将显示以下输出：

{
    "Status": "STOPPING_HOSTING"
}

返回控制台，在左侧导航页面中选择模型。

当状态列中的模型状态为训练完成时，表示模型已停止。