As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Conceitos básicos do Amazon Rekognition Custom Labels Antes de iniciar estas instruções de *Conceitos básicos*, recomendamos que você leia [Noções básicas do Amazon Rekognition Custom Labels](understanding-custom-labels.md). São usados rótulios personalizados do Amazon Rekognition Custom Labels para treinar um modelo de machine learning. O modelo treinado analiza imagens para encontrar objetos, cenas e conceitos exclusivos da sua empresa. Por exemplo, é possível treinar um modelo para classificar imagens de casas ou encontrar a localização de peças eletrônicas em uma placa de circuito impresso. Para ajudar você a começar, o Amazon Rekognition Custom Labels inclui tutorais em vídeo e projetos de exemplo. **nota** [Para obter informações sobre as AWS regiões e endpoints compatíveis com o Amazon Rekognition Custom Labels, consulte Endpoints e cotas do Rekognition.](https://docs.aws.amazon.com/general/latest/gr/rekognition.html) ## Tutoriais em vídeo Os vídeos mostram como usar o Amazon Rekognition Custom Labels para treinar e usar um modelo. **Para visualizar os tutoriais em vídeo** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon Rekognition em. [https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/) 1. No painel esquerdo, escolha **Usar rótulos personalizados**. A página inicial do Amazon Rekognition Custom Labels é exibida. Se você não vê a opção **Usar etiquetas personalizadas**, verifique se a [região da AWS](https://docs.aws.amazon.com/general/latest/gr/rekognition_region.html) que você está usando é compatível com o Amazon Rekognition Custom Labels. 1. No painel de navegação, escolha **Conceitos básicos**. 1. Em **O que é o Amazon Rekognition Custom Labels?**, escolha o vídeo para assistir ao vídeo de visão geral. 1. No painel de navegação, escolha **Tutoriais**. 1. Na página **Tutoriais**, escolha os tutoriais em vídeo que você deseja assistir. ## Projetos de exemplo O Amazon Rekognition Custom Labels fornece os seguintes exemplos de projetos. ### Classificação de imagens O projeto de classificação de imagens (Cômodos) treina um modelo que encontra uma ou mais localizações domésticas em uma imagem, como *quintal*, *cozinha* e *pátio*. As imagens de treinamento e teste representam um único local. Cada imagem é rotulada com um único rótulo em nível de imagem, como *cozinha*, *pátio* ou *sala\$1de\$1estar*. Para uma imagem analisada, o modelo treinado retorna um ou mais rótulos correspondentes do conjunto de rótulos em nível de imagem usado para treinamento. Por exemplo, o modelo pode encontrar o rótulo *sala\$1de\$1estar* na imagem a seguir. Para obter mais informações, consulte [Encontre objetos, cenas e conceitos](md-dataset-purpose.md#md-dataset-purpose-classification). ![\[Sala de estar com lareira, sofá macio, poltrona, mesas redondas, plantas e grandes janelas com vista para a área externa.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/image-classification.jpg) ### Classificação de imagens com vários rótulos O projeto de classificação de imagens com vários rótulos (Flores) treina um modelo que categoriza imagens de flores em três conceitos (tipo de flor, presença de folhas e estágio de crescimento). As imagens de treinamento e teste têm rótulos em nível de imagem para cada conceito, como *camélia* para um tipo de flor, *with\$1leaves* para uma flor com folhas e *fully\$1grown* para uma flor que está totalmente crescida. Para uma imagem analisada, o modelo treinado retorna rótulos correspondentes do conjunto de rótulos em nível de imagem usado para treinamento. Por exemplo, o modelo retorna os rótulos *herbacia\$1do\$1mediterraneo* e *com\$1folhas* para a imagem a seguir. Para obter mais informações, consulte [Encontre objetos, cenas e conceitos](md-dataset-purpose.md#md-dataset-purpose-classification). ![\[Vista aproximada de uma flor verde vibrante com pétalas fechadas em formato esférico.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/multi-label-classification.jpg) ### Detecção de marca O projeto de detecção de marca (Logos) treina um modelo que encontra a localização de determinados AWS logotipos, como *Amazon Textract* e *AWS* lambda. As imagens de treinamento são apenas do logotipo e têm um único rótulo de nível de imagem, como *lambda* ou *textract*. Também é possível treinar um modelo de detecção de marca com imagens de treinamento que tenham caixas delimitadoras para a localização da marca. As imagens de teste têm caixas delimitadoras rotuladas que representam a localização dos logotipos em locais naturais, como um diagrama arquitetônico. O modelo treinado encontra os logotipos e retorna uma caixa delimitadora rotulada para cada logotipo encontrado. Para obter mais informações, consulte [Encontre localizações de marcas](md-dataset-purpose.md#md-dataset-purpose-brands). ![\[Serviço Lambda que alimenta a atividade do usuário no Amazon Pinpoint para recomendações.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/brand-detection-lambda.png) ### Localização de objetos O projeto de localização de objetos (placas de circuito) treina um modelo que encontra a localização das peças em uma placa de circuito impresso, como um *comparador* ou um diodo emissor de *luz infravermelha*. As imagens de treinamento e teste incluem caixas delimitadoras que cercam as partes da placa de circuito e um rótulo que identifica a peça dentro da caixa delimitadora. Na imagem de exemplo a seguir, os nomes dos rótulos são *ir\$1phototransistor*, *ir\$1led*, *pot\$1resistor* e *comparator*. O modelo treinado encontra as peças da placa de circuito e retorna um limite rotulado para cada parte do circuito encontrada. Para obter mais informações, consulte [Encontre localizações de objetos](md-dataset-purpose.md#md-dataset-purpose-localization). ![\[Imagem do componente mostrando um LED infravermelho, resistor de potência e chip comparador em uma placa de circuito.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/localization-circuit-board.png) ## Como usar os projetos de exemplo Estas instruções de introdução mostram como treinar um modelo usando exemplos de projetos que o Amazon Rekognition Custom Labels cria para você. Também mostra como iniciar o modelo e usá-lo para analisar uma imagem. ### Como criar o projeto de exemplo Para começar, decida qual projeto usar. Para obter mais informações, consulte [Etapa 1: escolha um projeto de exemplo](gs-step-choose-example-project.md). O Amazon Rekognition Custom Labels usa conjuntos de dados para treinar e avaliar (testar) um modelo. Um conjunto de dados gerencia imagens e os rótulos que identificam o conteúdo das imagens. Os projetos de exemplo incluem um conjunto de dados de treinamento e um conjunto de dados de teste no qual todas as imagens são rotuladas. Não é preciso fazer nenhuma alteração antes de treinar seu modelo. Os exemplos de projetos mostram as duas maneiras pelas quais o Amazon Rekognition Custom Labels usa rótulos para treinar diferentes tipos de modelos. + *image-level*: o rótulo identifica um objeto, cena ou conceito que representa a imagem inteira. + *caixa delimitadora*: o rótulo identifica o conteúdo de uma caixa delimitadora. Uma caixa delimitadora é um conjunto de coordenadas de imagem que circunda um objeto em uma imagem. Posteriormente, ao criar um projeto com suas próprias imagens, você deve criar conjuntos de dados de treinamento e teste, além de rotular suas imagens. Para obter mais informações, consulte [Decida o tipo do seu modelo](understanding-custom-labels.md#tm-intro-model-type). ### Como treinar o modelo Depois que o Amazon Rekognition Custom Labels criar o projeto de exemplo, é possível treinar o modelo. Para obter mais informações, consulte [Etapa 2: treine seu modelo](gs-step-train-model.md). Após o término do treinamento, você normalmente avalia o desempenho do modelo. As imagens no conjunto de dados de exemplo já criam um modelo de alto desempenho e você não precisa avaliar o modelo antes de executá-lo. Para obter mais informações, consulte [Como melhorar um modelo treinado do Amazon Rekognition Custom Labels](improving-model.md). ### Como usar o modelo Em seguida, inicie o modelo. Para obter mais informações, consulte [Etapa 3: inicie seu modelo](gs-step-start-model.md). Depois de começar a executar seu modelo, é possível usá-lo para analisar novas imagens. Para obter mais informações, consulte [Etapa 4: analise uma imagem com seu modelo](gs-step-get-a-prediction.md). Há uma cobrança pela quantidade de tempo que o modelo é executado. Ao terminar de usar o modelo de exemplo, deve interromper o modelo. Para obter mais informações, consulte [Etapa 5: interrompa seu modelo](gs-step-stop-model.md). ### Próximas etapas Quando tudo estiver pronto, poderá criar e implantar seus próprios projetos. Para obter mais informações, consulte [Etapa 6: próximas etapas](gs-step-next.md).