上的影像分類模型範例 AWS - AWS 方案指引
寵物採用網站速度監控系統

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

上的影像分類模型範例 AWS

本節提供幾個範例，說明您可以如何選擇用於訓練、部署和維護的影像分類解決方案。

寵物採用網站

寵物採用網站希望在上傳貓和狗圖片時自動使用品種標記貓和狗圖片。他們每天預期大約 5，000 次叫用，速率相對不變。Amazon Rekognition 不提供整組貓狗品種，因此它不是此使用案例的候選項目。

使用建置映像分類模型中所述的四階段程序，組織會選擇映像分類解決方案，如下所示：

  1. 團隊決定其服務需求。端點應該會在 1 秒內立即回應。網站人員上沒有機器學習人員，因此維護工作最少是首要任務。

  2. 團隊會執行下列成本效益分析。

    訓練

    部署

    估計每月成本

    優勢

    Amazon Rekognition 自訂標籤

    (Amazon Rekognition) 1 個具有自動擴展的推論單位 (IU)

    2，900 美元

    自我管理訓練、最少維護

    Amazon SageMaker AI Canvas

    SageMaker AI 即時端點

    $600 + Canvas 使用成本

    無程式碼解決方案，控制部署運算大小

    Amazon SageMaker AI 深度學習模型與遷移學習

    SageMaker AI 即時端點

    600 美元 + 人員時間

    彈性，需要模型選擇和維護

  3. 團隊會決定其部署基礎設施。Amazon Rekognition 自訂標籤已選取用於訓練和部署，因為它符合階段 1 中定義的服務需求。部署完全受管 AWS。

  4. 團隊會決定其模型維護工作流程。他們選擇 AWS Step Functions 狀態機器來管理重新訓練工作流程。他們會視需要啟動狀態機器，以重新訓練並重新部署模型。這預期是不常發生的事件，因為品種類型會緩慢變更，而新的資料擷取也會緩慢。

速度監控系統

高速攝影機適用於高速公路監控系統，可擷取車輛的映像，並將其傳送至映像分類服務，以預測車輛類型。Amazon Rekognition 已包含所需類別所需的標籤。組織預期每天大約有 400，000 張影像，尖峰速率為每小時 10，000 張影像。不需要立即處理。組織擁有員工的資料科學家，他們建議開放原始碼預先訓練的模型可以滿足他們的需求。不過，這些會帶來更多預先成本和維護。

  1. 團隊決定其服務需求。不需要立即回應，但影像應在 24 小時內處理。

  2. 團隊會執行下列成本效益分析。

    訓練

    部署

    估計每月成本

    優勢

    Amazon Rekognition

    Amazon Rekognition

    7，000 美元

    由 處理的全自動化維護 AWS

    SageMaker AI 預先訓練模型

    SageMaker AI 批次轉換

    1，500 美元 + 人事成本

    彈性，需要模型選擇和維護

    SageMaker AI 預先訓練模型

    SageMaker AI 無伺服器端點

    500 美元 + 人事成本

    彈性，需要模型選擇和維護

  3. 團隊會決定其部署基礎設施。由於組織已有資料科學團隊可以管理模型選擇和維護，他們選擇使用 SageMaker AI 模型並部署 SageMaker AI 無伺服器端點。

  4. 團隊會決定其模型維護工作流程。他們會建立監控管道，提供模型預測可信度的統計資料，並在統計資料超出設定的公差時傳送提醒。