Contoh model klasifikasi gambar pada AWS - AWS Bimbingan Preskriptif
Situs web adopsi hewan peliharaanSistem pemantauan kecepatan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Contoh model klasifikasi gambar pada AWS

Bagian ini memberikan beberapa contoh tentang bagaimana Anda dapat memilih solusi klasifikasi gambar untuk pelatihan, penerapan, dan pemeliharaan.

Situs web adopsi hewan peliharaan

Situs web adopsi hewan peliharaan ingin secara otomatis memberi label gambar kucing dan kucing dengan jenis saat diunggah. Mereka mengharapkan sekitar 5.000 doa per hari, pada tingkat yang relatif konstan. Set lengkap ras kucing dan anjingnya tidak tersedia di Amazon Rekognition, jadi ini bukan kandidat untuk kasus penggunaan ini.

Dengan menggunakan proses empat fase yang dijelaskan dalam Membangun model klasifikasi gambar, organisasi memilih solusi klasifikasi gambar sebagai berikut:

  1. Tim menentukan persyaratan layanan mereka. Titik akhir harus segera merespons, dalam waktu kurang dari 1 detik. Tidak ada personel pembelajaran mesin di staf situs web, jadi upaya pemeliharaan minimal adalah prioritas.

  2. Tim melakukan analisis biaya-manfaat berikut.

    Pelatihan

    Deployment

    Perkiraan biaya bulanan

    Keuntungan

    Amazon Rekognition Custom Labels

    (Amazon Rekognition) 1 unit inferensi (IU) dengan penskalaan otomatis

    $2.900

    Pelatihan yang dikelola sendiri, perawatan minimal

    Kanvas Amazon SageMaker AI

    SageMaker Titik akhir waktu nyata AI

    $600+Biaya penggunaan kanvas

    Solusi tanpa kode, kontrol ukuran komputasi penerapan

    Model Pembelajaran Mendalam Amazon SageMaker AI dengan Pembelajaran Transfer

    SageMaker Titik akhir waktu nyata AI

    $600+waktu personel

    Fleksibilitas, membutuhkan pemilihan dan pemeliharaan model

  3. Tim menentukan infrastruktur penyebaran mereka. Label Kustom Rekognition Amazon dipilih untuk pelatihan dan penerapan karena memenuhi persyaratan layanan yang ditentukan dalam fase 1. Penerapan dikelola sepenuhnya di AWS.

  4. Tim menentukan alur kerja pemeliharaan model mereka. Mereka memilih mesin AWS Step Functions negara untuk mengelola alur kerja pelatihan ulang. Mereka akan memulai mesin negara sesuai kebutuhan untuk melatih kembali dan menerapkan kembali model. Ini diharapkan menjadi peristiwa yang jarang terjadi karena jenis breed berubah perlahan dan akuisisi data baru juga lambat.

Sistem pemantauan kecepatan

Kamera berkecepatan tinggi untuk sistem pemantauan jalan raya menangkap gambar kendaraan dan mengirimkannya ke layanan klasifikasi gambar untuk memprediksi jenis kendaraan. Amazon Rekognition sudah berisi label yang diperlukan untuk kelas yang diperlukan. Organisasi mengharapkan sekitar 400.000 gambar per hari, dengan tingkat puncak 10.000 gambar per jam. Pemrosesan segera tidak diperlukan. Organisasi ini memiliki ilmuwan data tentang staf yang merekomendasikan bahwa model pra-terlatih open source dapat memenuhi kebutuhan mereka. Namun, ini datang dengan lebih banyak biaya di muka dan pemeliharaan.

  1. Tim menentukan persyaratan layanan mereka. Respons segera tidak diperlukan, tetapi gambar harus diproses dalam waktu 24 jam.

  2. Tim melakukan analisis biaya-manfaat berikut.

    Pelatihan

    Deployment

    Perkiraan biaya bulanan

    Keuntungan

    Amazon Rekognition

    Amazon Rekognition

    $7.000

    Sepenuhnya otomatis, pemeliharaan ditangani oleh AWS

    SageMaker Model AI yang telah dilatih sebelumnya

    SageMaker Transformasi batch AI

    $1500 +biaya personel

    Fleksibilitas, membutuhkan pemilihan dan pemeliharaan model

    SageMaker Model AI yang telah dilatih sebelumnya

    SageMaker Titik akhir tanpa server AI

    $500+biaya personel

    Fleksibilitas, membutuhkan pemilihan dan pemeliharaan model

  3. Tim menentukan infrastruktur penyebaran mereka. Karena organisasi sudah memiliki tim ilmu data yang dapat mengelola pemilihan dan pemeliharaan model, mereka memilih untuk menggunakan model SageMaker AI dan menerapkan titik akhir tanpa server SageMaker AI.

  4. Tim menentukan alur kerja pemeliharaan model mereka. Mereka membuat saluran pemantauan yang menyediakan statistik tentang kepercayaan prediksi model dan mengirimkan peringatan jika statistik berada di luar toleransi yang dikonfigurasi.