Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Esempi di modelli di classificazione delle immagini su AWS
Questa sezione fornisce diversi esempi su come scegliere una soluzione di classificazione delle immagini per la formazione, l'implementazione e la manutenzione.
Sito Web sull'adozione di animali domestici
Un sito web per l'adozione di animali domestici desidera etichettare automaticamente le foto di cani e gatti con una razza quando vengono caricate. Si aspettano circa 5.000 invocazioni al giorno, a un ritmo relativamente costante. Il set completo di razze di cani e gatti non è disponibile in Amazon Rekognition, quindi non è adatto a questo caso d'uso.
Utilizzando il processo in quattro fasi descritto in Creazione di un modello di classificazione delle immagini, l'organizzazione sceglie una soluzione di classificazione delle immagini come segue:
-
Il team determina i propri requisiti di servizio. L'endpoint dovrebbe rispondere immediatamente, in meno di 1 secondo. Non c'è personale addetto all'apprendimento automatico nel personale del sito Web, quindi lo sforzo di manutenzione minimo è una priorità.
-
Il team esegue la seguente analisi costi-benefici.
Addestramento
Distribuzione
Costo mensile stimato
Vantaggi
Etichette personalizzate Amazon Rekognition
(Amazon Rekognition) 1 unità di inferenza (UI) con scalabilità automatica
2.900$
Formazione autogestita, manutenzione minima
Amazon SageMaker AI Canvas
SageMaker Endpoint AI in tempo reale
Oltre 600$ di costo di utilizzo di Canvas
Soluzione senza codice, controllo delle dimensioni di calcolo dell'implementazione
Modello di deep learning di Amazon SageMaker AI con Transfer Learning
SageMaker Endpoint AI in tempo reale
Oltre 600 USD per il personale
Flessibilità, richiede la selezione e la manutenzione del modello
-
Il team determina la propria infrastruttura di implementazione. Amazon Rekognition Custom Labels è selezionato per la formazione e la distribuzione perché soddisfa i requisiti di servizio definiti nella fase 1. La distribuzione è completamente gestita in. AWS
-
Il team determina il flusso di lavoro di manutenzione del modello. Scelgono una macchina a AWS Step Functions stati per gestire il flusso di lavoro di riqualificazione. Avvieranno la macchina a stati secondo necessità per riqualificare e ridistribuire il modello. Si prevede che si tratti di un evento poco frequente perché i tipi di razza cambiano lentamente e anche l'acquisizione di nuovi dati è lenta.
Sistema di monitoraggio della velocità
Una telecamera ad alta velocità per un sistema di monitoraggio autostradale acquisisce immagini dei veicoli e le invia a un servizio di classificazione delle immagini per prevedere il tipo di veicolo. Amazon Rekognition contiene già le etichette necessarie per le classi richieste. L'organizzazione prevede circa 400.000 immagini al giorno, con una frequenza massima di 10.000 immagini all'ora. Non è richiesta l'elaborazione immediata. Lo staff dell'organizzazione è composto da data scientist che consigliano di utilizzare modelli open source preformati in grado di soddisfare le loro esigenze. Tuttavia, questi comportano maggiori costi iniziali e di manutenzione.
-
Il team determina i propri requisiti di servizio. Non è necessaria una risposta immediata, ma le immagini devono essere elaborate entro 24 ore.
-
Il team esegue la seguente analisi costi-benefici.
Addestramento
Distribuzione
Costo mensile stimato
Vantaggi
Amazon Rekognition
Amazon Rekognition
7.000$
Completamente automatizzato, manutenzione gestita da AWS
SageMaker Modello AI pre-addestrato
SageMaker Trasformazione in batch AI
Oltre 1500 dollari di costi del personale
Flessibilità, richiede la selezione e la manutenzione del modello
SageMaker Modello AI pre-addestrato
SageMaker Endpoint AI senza server
Oltre 500 dollari di costi per il personale
Flessibilità, richiede la selezione e la manutenzione del modello
-
Il team determina la propria infrastruttura di implementazione. Poiché l'organizzazione dispone già di un team di data science in grado di gestire la selezione e la manutenzione del modello, sceglie di utilizzare un modello di SageMaker intelligenza artificiale e implementare un endpoint serverless basato sull' SageMaker intelligenza artificiale.
-
Il team determina il flusso di lavoro di manutenzione del modello. Creano una pipeline di monitoraggio che fornisce statistiche sulle confidenze di previsione dei modelli e invia avvisi se le statistiche non rientrano nelle tolleranze configurate.
