上的图像分类模型示例 AWS - AWS 规范性指导
宠物收养网站速度监控系统

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

上的图像分类模型示例 AWS

本节提供了几个示例，说明如何选择用于培训、部署和维护的图像分类解决方案。

宠物收养网站

一家宠物收养网站希望在上传猫和狗的照片时自动给它们贴上一个品种的标签。他们预计每天大约有 5,000 次调用，而且速度相对稳定。Amazon Rekognition 中没有完整的猫和狗品种，因此它不适合此用例。

组织使用构建图像分类模型中描述的四阶段过程，选择图像分类解决方案，如下所示：

  1. 团队确定他们的服务需求。端点应在不到 1 秒的时间内立即做出响应。网站工作人员中没有机器学习人员，因此最少的维护工作是当务之急。

  2. 该团队进行以下成本效益分析。

    训练

    部署

    估计的每月费用

    优点

    Amazon Rekognition Custom Labels

    (Amazon Rekognition) 1 个带自动缩放功能的推理单元 (IU)

    2,900 美元

    自我管理培训，最低限度的维护

    亚马逊 A SageMaker I Canvas

    SageMaker AI 实时终端节点

    600 美元以上的画布使用成本

    无代码解决方案，控制部署计算大小

    具有迁移学习功能的 SageMaker Amazon AI 深度学习模型

    SageMaker AI 实时终端节点

    600 美元以上的人员工时

    灵活性，需要选型和维护

  3. 团队决定他们的部署基础架构。之所以选择 Amazon Rekognition 自定义标签进行培训和部署，是因为它符合第 1 阶段中定义的服务要求。部署已在中全面管理 AWS。

  4. 团队决定他们的模型维护工作流程。他们选择一台 AWS Step Functions 状态机来管理再训练工作流程。他们将根据需要启动状态机以重新训练和重新部署模型。预计这将是一个很少发生的事件，因为品种类型变化缓慢，新数据采集也很慢。

速度监控系统

用于高速公路监控系统的高速摄像头可捕获车辆图像并将其发送到图像分类服务以预测车辆类型。Amazon Rekognition 已经包含了所需类别所需的标签。该组织预计每天约有 400,000 张图片，峰值速率为每小时 10,000 张图片。不需要立即处理。该组织有数据科学家，他们建议开源预训练模型可以满足他们的需求。但是，这会带来更多的前期成本和维护。

  1. 团队确定他们的服务需求。无需立即回复，但应在 24 小时内处理图像。

  2. 该团队进行以下成本效益分析。

    训练

    部署

    估计的每月费用

    优点

    Amazon Rekognition

    Amazon Rekognition

    7,000

    全自动，维护工作由 AWS

    SageMaker AI 预训练模型

    SageMaker AI 批量转换

    1500 美元以上的人员成本

    灵活性，需要选型和维护

    SageMaker AI 预训练模型

    SageMaker AI 无服务器端点

    500 美元以上的人员成本

    灵活性，需要选型和维护

  3. 团队决定他们的部署基础架构。由于该组织已经有一个可以管理模型选择和维护的数据科学团队，因此他们选择使用 A SageMaker I 模型并部署 A SageMaker I 无服务器端点。

  4. 团队决定他们的模型维护工作流程。他们创建了一个监控管道，该管道提供有关模型预测置信度的统计信息，并在统计数据超出配置容差时发送警报。