Amazon Rekognition Custom Labels - AWS Präskriptive Leitlinien

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Amazon Rekognition Custom Labels

Wenn Amazon Rekognition nicht alle Labels unterstützt, die Sie für Ihren Anwendungsfall benötigen, können Sie ein Amazon Rekognition Custom Labels-Modell trainieren. Amazon Rekognition Custom Labels erweitert die bestehenden Funktionen von Amazon Rekognition. Anstatt ein Modell mit Tausenden oder Zehntausenden von Bildern vollständig zu trainieren, können Sie einen kleinen Satz beschrifteter Trainingsbilder (normalerweise einige hundert oder weniger pro Kurs) hochladen, die für Ihren Anwendungsfall spezifisch sind. Wenn Ihre Bilder bereits ein Label haben, kann Amazon Rekognition Custom Labels in kurzer Zeit mit dem Training eines Modells beginnen. Wenn nicht, können Sie die Bilder direkt in der Kennzeichnungsoberfläche beschriften, oder Sie können Amazon SageMaker Ground Truth verwenden, um sie für Sie zu kennzeichnen.

Nachdem Amazon Rekognition Custom Labels mit dem Training anhand Ihres Bilddatensatzes begonnen hat, kann es in nur wenigen Stunden ein benutzerdefiniertes Bildanalysemodell für Sie erstellen. Hinter den Kulissen lädt und überprüft Amazon Rekognition Custom Labels automatisch die Trainingsdaten, wählt die richtigen Algorithmen für Machine Learning aus, trainiert ein Modell und stellt Modellleistungsmetriken bereit. Anschließend können Sie Ihr benutzerdefiniertes Modell über die Amazon Rekognition Custom Labels API verwenden und es in Ihre Anwendungen integrieren.

Im Folgenden sind die Vorteile von Amazon Rekognition Custom Labels aufgeführt:

  • Automatisiertes Training und Tuning erfordern nur minimalen Aufwand

  • Unterstützt die Klassifizierung mit mehreren Labels

Im Folgenden sind die Nachteile von Amazon Rekognition Custom Labels aufgeführt:

  • Keine Kontrolle über die Zielfunktion, die Netzwerkarchitektur oder die anfänglichen Modellgewichte.

  • Automatisiertes Training und Tuning können zeitaufwändig und teurer sein als eine Trainingspipeline mit stärker anpassbaren Einstellungen. (Dies ist weniger wichtig, wenn das Training selten stattfindet.)

Weitere Informationen finden Sie hier: