Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Analysearten
Im Folgenden sind die Analysetypen aufgeführt, die mit der Amazon-Rekognition-Image-API und der Amazon-Rekognition-Video-API durchgeführt werden können. Weitere Information zu den APIs finden Sie unter Bild- und Video-Operationen.
In der folgenden Tabelle sind die Operationen aufgeführt, die Sie je nach Medientyp, mit dem Sie arbeiten, und Ihrem Anwendungsfall verwenden müssen:
Labels
Ein Label bezieht sich auf eines der folgenden Dinge: Objekte (z. B. eine Blume, ein Baum oder ein Tisch), Ereignisse (z. B. eine Hochzeit, ein Schulabschluss oder eine Geburtstagsfeier), Konzepte (z. B. eine Landschaft, der Abend und die Natur) oder Aktivitäten (z. B. Laufen oder Basketball spielen). Amazon Rekognition kann Labels in Bildern und Videos erkennen. Weitere Informationen finden Sie unter Erkennung von Objekten und Konzepten.
Rekognition kann eine große Liste von Labels in Bildern und gespeicherten Videos erkennen. Rekognition kann auch eine kleine Anzahl von Labels in Streaming-Videos erkennen.
Verwenden Sie die folgenden Operationen, um Labels basierend auf Ihrem Anwendungsfall zu erkennen:
-
So erkennen Sie Labels in Bildern: Verwenden Sie DetectLabels. Sie können Bildeigenschaften wie dominante Bildfarben und Bildqualität identifizieren. Verwenden Sie dazu DetectLabels mit
IMAGE_PROPERTIESals Eingabeparameter. -
So erkennen Sie Labels in gespeicherten Videos: Verwenden Sie StartLabelDetection. Die Erkennung dominanter Bildfarben und der vorherrschenden Bildqualität wird für gespeicherte Videos nicht unterstützt.
-
So erkennen Sie Labels im Streaming-Video: Verwenden Sie CreateStreamProcessor. Die Erkennung dominanter Bildfarben und der vorherrschenden Bildqualität wird für Streaming-Videos nicht unterstützt.
Mithilfe von inklusiven und exklusiven Filteroptionen können Sie angeben, welche Labeltypen sowohl für die Erkennung von Bild- als auch für gespeicherte Videolabels zurückgegeben werden sollen.
Benutzerdefinierte Labels
Amazon Rekognition Custom Labels kann die Objekte und Szenen in den auf Ihre geschäftlichen Anforderungen zugeschnittenen Bildern identifizieren, indem ein maschinelles Lernmodell geschult wird. Sie können beispielsweise ein Modell schulen, um Logos oder technische Maschinenteile auf einem Fließband zu erkennen.
Anmerkung
Informationen über Amazon Rekognition Custom Labels finden Sie im Entwicklungsleitfaden für Amazon Rekognition Custom Labels.
Amazon Rekognition bietet eine Konsole, mit der Sie ein maschinelles Lernmodell erstellen, trainieren, bewerten und ausführen können. Weitere Informationen finden Sie unter Erste Schritte mit Amazon Rekognition Custom Labels im Entwicklerhandbuch für Amazon Rekognition Custom Labels. Sie können auch die Amazon-Rekognition-Custom-Labels-API von verwenden, um ein Modell zu trainieren und auszuführen. Weitere Informationen finden Sie unter Erste Schritte mit dem Amazon Rekognition Custom Labels SDK im Amazon Rekognition CustomLabels -Entwicklerhandbuch.
Um Bilder mit einem trainierten Modell zu analysieren, verwenden Sie DetectCustomLabels.
Erkennung der Echtheit von Gesichtern
Mit Amazon Rekognition Face Liveness können Sie überprüfen, ob ein Benutzer, der sich einer gesichtsbasierten Identitätsprüfung unterzieht, physisch vor der Kamera anwesend ist und kein schlechter Akteur ist, der das Gesicht des Benutzers fälscht. Es erkennt gefälschte Angriffe, die auf eine Kamera gerichtet werden, und Angriffe, die eine Kamera umgehen. Ein Benutzer kann eine Überprüfung der Echtheit von Gesichtern durchführen, indem er ein kurzes Video-Selfie aufnimmt. Für die Überprüfung wird ein Livness-Score zurückgegeben. Die Echtheit von Gesichtern wird anhand einer probabilistischen Berechnung bestimmt, und nach der Überprüfung wird ein Zuverlässigkeitswert (zwischen 0 und 100) zurückgegeben. Je höher der Wert, desto größer ist die Zuverlässigkeit, dass die Person, die den Scheck entgegennimmt, live ist.
Weitere Informationen zu Face Liveness finden Sie unter Echtheit von Gesichtern erkennen.
Gesichtserkennung und -analyse
Amazon Rekognition kann Gesichter in Bildern und gespeicherten Videos erkennen. Mit Amazon Rekognition erhalten Sie Informationen über Folgendes:
-
Wo Gesichter in einem Bild oder Video erkannt werden
-
Gesichtsmarken wie z. B. die Position der Augen.
-
Das Vorhandensein von Gesichtsverdeckungen in Bildern
-
Entdeckte Emotionen wie glücklich oder traurig
-
Blickrichtung des Blicks einer Person in Bildern
Sie können auch demografische Informationen wie Geschlecht oder Alter interpretieren. Sie können ein Gesicht in einem Bild mit Gesichtern vergleichen, die in einem anderen Bild erkannt wurden. Informationen über Gesichter können auch gespeichert und später wieder abgerufen werden. Weitere Informationen finden Sie unter Erkennung und Analyse von Gesichtern.
Um Gesichter in Bildern zu entdecken, verwenden Sie DetectFaces. Um Gesichter in gespeicherten Videos zu entdecken, verwenden Sie StartFaceDetection.
Gesichtssuche
Amazon Rekognition kann nach Gesichtern suchen. Gesichtsinformationen werden in einem Container indiziert, der als Sammlung bezeichnet wird. Die Gesichtsinformationen in der Sammlung können dann mit Gesichtern abgeglichen werden, die in Bildern, gespeicherten Videos und Streaming-Videos erkannt wurden. Weitere Informationen finden Sie unter Gesichtssuche in einer Sammlung.
Um nach bekannten Gesichtern in Bildern zu suchen, verwenden Sie DetectFaces. Um nach bekannten Gesichtern in gespeicherten Videos zu suchen, verwenden Sie StartFaceDetection. Um nach bekannten Gesichtern in Streaming-Videos zu suchen, verwenden Sie CreateStreamProcessor.
Pfade von Personen
Amazon Rekognition kann die Wege von Personen verfolgen, die in einem gespeicherten Video erkannt werden. Amazon Rekognition Video bietet Pfadverfolgung, Gesichtsdetails und Standortinformationen für Personen, die in einem Video erkannt werden. Weitere Informationen finden Sie unter Pfade von Personen.
Um Personen in gespeicherten Videos zu entdecken, verwenden Sie StartPersonTracking.
Persönliche Schutzausrüstung
Amazon Rekognition kann persönliche Schutzausrüstung (PSA) erkennen, die von Personen auf einem erkannten Bild getragen wird. Amazon Rekognition erkennt Gesichtsbedeckungen, Handbedeckungen und Kopfbedeckungen. Amazon Rekognition sagt voraus, ob ein PSA den entsprechenden Körperteil bedeckt. Sie können sich auch Schutzboxen für erkannte Personen und persönliche Schutzausrüstung besorgen. Weitere Informationen finden Sie unter Erkennung von persönlicher Schutzausrüstung.
Um PSA in Bildern zu erkennen, verwenden Sie DetectProtectiveEquipment.
Prominente
Amazon Rekognition kann Tausende von Prominenten in Bildern und gespeicherten Videos erkennen. Sie können Informationen darüber erhalten, wo sich das Gesicht eines Prominenten auf einem Bild befindet, sowie Infos über Gesichtsmerkmale und die Pose des Gesichts eines Prominenten. Sie können Tracking-Informationen für Prominente erhalten, wie sie in einem gespeicherten Video erscheinen. Sie können auch weitere Informationen über eine anerkannte Berühmtheit erhalten, z. B. die zum Ausdruck gebrachten Emotionen und die Darstellung des Geschlechts. Weitere Informationen finden Sie unter Erkennen von Prominenten.
Um Prominente in Bildern zu erkennen, verwenden Sie RecognizeCelebrities. Um Prominente in gespeicherten Videos zu erkennen, verwenden Sie StartCelebrityRecognition.
Texterkennung
Amazon Rekognition Text in Image kann Text in Bildern erkennen und in maschinenlesbaren Text umwandeln. Weitere Informationen finden Sie unter Erkennen von Text.
Um Text in Bildern zu erkennen, verwenden Sie DetectText.
Unangemessene oder anstößige Inhalte
Amazon Rekognition kann Bilder und gespeicherte Videos in Hinblick auf Erwachseneninhalte und gewalttätige Inhalte analysieren. Weitere Informationen finden Sie unter Inhalte moderieren.
Um unsichere Bilder zu erkennen, verwenden Sie DetectModerationLabels. Um unsichere gespeicherte Videos zu entdecken, verwenden Sie StartContentModeration.
Anpassung
Bestimmte von Rekognition angebotene Bildanalyse-APIs ermöglichen es Ihnen, die Genauigkeit von Deep-Learning-Modellen zu verbessern, indem Sie benutzerdefinierte Adapter erstellen, die auf Ihren eigenen Daten trainiert werden. Adapter sind Komponenten, die sich in das vortrainierte Deep-Learning-Modell von Rekognition integrieren lassen und dessen Genauigkeit durch Fachwissen auf der Grundlage Ihrer Bilder verbessern. Sie trainieren einen Adapter so, dass er Ihren Bedürfnissen entspricht, indem Sie Beispielbilder bereitstellen und mit Anmerkungen versehen.
Nachdem Sie einen Adapter erstellt haben, erhalten Sie eine AdapterId. Sie können AdapterId dies einer -Operation bereitstellen, um anzugeben, dass Sie den von Ihnen erstellten Adapter verwenden möchten. Sie stellen beispielsweise die AdapterId für die DetectModerationLabels API für die synchrone Bildanalyse bereit. Wenn Sie die AdapterId als Teil der Anforderung bereitstellen, verwendet Rekognition sie automatisch, um die Vorhersagen für Ihre Bilder zu verbessern. Auf diese Weise können Sie die Funktionen von Rekognition nutzen und es gleichzeitig an Ihre Bedürfnisse anpassen.
Sie haben auch die Möglichkeit, mit der StartMediaAnalysisJob API Vorhersagen für Bilder in großen Mengen zu erhalten. Weitere Informationen finden Sie unter Massenanalyse.
Sie können die Genauigkeit der Operationen von Rekognition beurteilen, indem Sie Bilder auf die Rekognition-Konsole hochladen und diese Bilder analysieren. Rekognition kommentiert Ihre Bilder mithilfe des ausgewählten Features. Anschließend können Sie die Vorhersagen überprüfen und anhand der verifizierten Vorhersagen ermitteln, welche Labels von der Erstellung eines Adapters profitieren würden.
Derzeit können Sie Adapter mit der verwendenDetectModerationLabels. Weitere Informationen zur Erstellung und Verwendung von Adaptern finden Sie unter Verbesserung der Genauigkeit mit benutzerdefinierter Moderation.
Massenanalyse
Mit Rekognition Bulk Analysis können Sie eine große Sammlung von Bildern asynchron verarbeiten, indem Sie eine Manifestdatei zusammen mit der StartMediaAnalysisJob Operation verwenden. Weitere Informationen finden Sie unter Massenanalyse.
