Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Exemples de modèles de classification d'images sur AWS
Cette section fournit plusieurs exemples sur la manière dont vous pouvez choisir une solution de classification d'images pour la formation, le déploiement et la maintenance.
Site Web d'adoption d'animaux
Un site Web d'adoption d'animaux de compagnie souhaite étiqueter automatiquement les photos de chats et de chiens avec une race lorsqu'elles sont téléchargées. Ils s'attendent à environ 5 000 invocations par jour, à un rythme relativement constant. L'ensemble complet des races de chats et de chiens n'est pas disponible dans Amazon Rekognition. Il n'est donc pas adapté à ce cas d'utilisation.
À l'aide du processus en quatre phases décrit dans la section Création d'un modèle de classification d'images, l'organisation choisit une solution de classification d'images comme suit :
-
L'équipe détermine ses besoins en matière de service. Le terminal doit répondre immédiatement, en moins d'une seconde. Il n'y a pas de personnel d'apprentissage automatique dans le personnel du site Web, donc l'effort de maintenance minimal est une priorité.
-
L'équipe effectue l'analyse coûts-avantages suivante.
Entrainement
Déploiement
Coût mensuel estimé
Avantages
Étiquettes personnalisées Amazon Rekognition
(Amazon Rekognition) 1 unité d'inférence (UI) avec mise à l'échelle automatique
2 900$
Formation autogérée, maintenance minimale
Amazon SageMaker AI Canvas
SageMaker Point de terminaison en temps réel
600$ et plus frais d'utilisation de Canvas
Solution sans code, contrôle de la taille de calcul du déploiement
Modèle d'apprentissage profond Amazon SageMaker AI avec apprentissage par transfert
SageMaker Point de terminaison en temps réel
600$ et plus de temps passé par le personnel
Flexibilité, nécessite la sélection du modèle et la maintenance
-
L'équipe détermine son infrastructure de déploiement. Les étiquettes personnalisées Amazon Rekognition sont sélectionnées pour la formation et le déploiement car elles répondent aux exigences de service définies lors de la phase 1. Le déploiement est entièrement géré dans AWS.
-
L'équipe détermine le flux de travail de maintenance de son modèle. Ils choisissent une machine à AWS Step Functions états pour gérer le flux de reconversion. Ils lanceront la machine d'état selon les besoins pour réentraîner et redéployer le modèle. Cet événement devrait être peu fréquent, car les types de races changent lentement et l'acquisition de nouvelles données est également lente.
Système de surveillance de la vitesse
Une caméra haute vitesse destinée à un système de surveillance des autoroutes capture des images de véhicules et les envoie à un service de classification d'images afin de prédire le type de véhicule. Amazon Rekognition contient déjà les étiquettes nécessaires pour les classes requises. L'organisation prévoit environ 400 000 images par jour, avec un pic de 10 000 images par heure. Un traitement immédiat n'est pas requis. L'organisation compte parmi son personnel des data scientists qui recommandent que les modèles open source préformés puissent répondre à leurs besoins. Cependant, ceux-ci entraînent des coûts initiaux et une maintenance plus élevés.
-
L'équipe détermine ses besoins en matière de service. Une réponse immédiate n'est pas nécessaire, mais les images doivent être traitées dans les 24 heures.
-
L'équipe effectue l'analyse coûts-avantages suivante.
Entrainement
Déploiement
Coût mensuel estimé
Avantages
Amazon Rekognition
Amazon Rekognition
7 000$
Entièrement automatisé, maintenance assurée par AWS
SageMaker Modèle préentraîné par l'IA
SageMaker Transformation par lots par IA
1500$ et plus frais de personnel
Flexibilité, nécessite la sélection du modèle et la maintenance
SageMaker Modèle préentraîné par l'IA
SageMaker Point de terminaison sans serveur AI
500$ et plus de frais de personnel
Flexibilité, nécessite la sélection du modèle et la maintenance
-
L'équipe détermine son infrastructure de déploiement. Comme l'organisation dispose déjà d'une équipe de science des données capable de gérer la sélection et la maintenance des modèles, elle a choisi d'utiliser un modèle d' SageMaker IA et de déployer un point de terminaison sans serveur SageMaker basé sur l'IA.
-
L'équipe détermine le flux de travail de maintenance de son modèle. Ils créent un pipeline de surveillance qui fournit des statistiques sur la fiabilité des prédictions du modèle et envoie des alertes si les statistiques dépassent les tolérances configurées.
