Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Ejemplos de modelos de clasificación de imágenes en AWS
En esta sección se proporcionan varios ejemplos sobre cómo elegir una solución de clasificación de imágenes para la formación, la implementación y el mantenimiento.
Sitio web de adopción de mascotas
Un sitio web de adopción de mascotas quiere etiquetar automáticamente las imágenes de perros y gatos con una raza cuando se suben. Esperan unas 5.000 invocaciones al día, a un ritmo relativamente constante. El conjunto completo de razas de perros y gatos no está disponible en Amazon Rekognition, por lo que no es apto para este caso de uso.
Mediante el proceso de cuatro fases descrito en Creación de un modelo de clasificación de imágenes, la organización elige una solución de clasificación de imágenes de la siguiente manera:
-
El equipo determina sus requisitos de servicio. El punto final debería responder inmediatamente, en menos de 1 segundo. No hay personal de aprendizaje automático en el personal del sitio web, por lo que el mínimo esfuerzo de mantenimiento es una prioridad.
-
El equipo realiza el siguiente análisis de costo-beneficio.
Entrenamiento
Implementación
Coste mensual estimado
Beneficios
Etiquetas personalizadas de Amazon Rekognition
(Amazon Rekognition) 1 unidad de inferencia (UI) con escalado automático
2.900 DÓLARES
Formación autogestionada, mantenimiento mínimo
Amazon SageMaker AI Canvas
SageMaker Punto final de IA en tiempo real
Más de 600$ de coste de uso de Canvas
Solución sin código, control del tamaño del cómputo de la implementación
Modelo de aprendizaje profundo de Amazon SageMaker AI con aprendizaje por transferencia
SageMaker Punto final de IA en tiempo real
Más de 600$ en tiempo de trabajo del personal
Flexibilidad: requiere la selección del modelo y el mantenimiento
-
El equipo determina su infraestructura de despliegue. Amazon Rekognition Custom Labels se selecciona para la formación y la implementación porque cumple con los requisitos de servicio definidos en la fase 1. La implementación se administra completamente en. AWS
-
El equipo determina el flujo de trabajo de mantenimiento de su modelo. Eligen una máquina de AWS Step Functions estados para gestionar el flujo de trabajo de reentrenamiento. Iniciarán la máquina de estados según sea necesario para volver a entrenar y volver a implementar el modelo. Se espera que esto sea poco frecuente porque los tipos de raza cambian lentamente y la adquisición de nuevos datos también es lenta.
Sistema de monitoreo de velocidad
Una cámara de alta velocidad para un sistema de monitoreo de carreteras captura imágenes de vehículos y las envía a un servicio de clasificación de imágenes para predecir el tipo de vehículo. Amazon Rekognition ya contiene las etiquetas necesarias para las clases obligatorias. La organización espera recibir alrededor de 400 000 imágenes al día, con una tasa máxima de 10 000 imágenes por hora. No se requiere un procesamiento inmediato. La organización cuenta con científicos de datos entre su personal que recomiendan que los modelos de código abierto previamente entrenados puedan satisfacer sus necesidades. Sin embargo, estos conllevan más costes iniciales y de mantenimiento.
-
El equipo determina sus requisitos de servicio. No es necesaria una respuesta inmediata, pero las imágenes deben procesarse en un plazo de 24 horas.
-
El equipo realiza el siguiente análisis de costo-beneficio.
Entrenamiento
Implementación
Coste mensual estimado
Beneficios
Amazon Rekognition
Amazon Rekognition
7.000$
Totalmente automatizado, el mantenimiento está a cargo de AWS
SageMaker Modelo preentrenado de IA
SageMaker Transformación por lotes de IA
Más de 1500$ en gastos de personal
Flexibilidad, requiere la selección del modelo y el mantenimiento
SageMaker Modelo preentrenado de IA
SageMaker Punto final sin servidor de IA
Costes de personal superiores a 500$
Flexibilidad, requiere la selección del modelo y el mantenimiento
-
El equipo determina su infraestructura de despliegue. Como la organización ya cuenta con un equipo de ciencia de datos que puede gestionar la selección y el mantenimiento del modelo, optan por utilizar un modelo de SageMaker IA e implementar un terminal de SageMaker IA sin servidor.
-
El equipo determina el flujo de trabajo de mantenimiento de su modelo. Crean una canalización de supervisión que proporciona estadísticas sobre las confidencias de las predicciones del modelo y envía alertas si las estadísticas están fuera de las tolerancias configuradas.
