Membangun model klasifikasi gambar

Berikut ini adalah tahapan pengembangan model klasifikasi gambar:

1. Tentukan kebutuhan Anda — Tentukan model dan persyaratan penerapan Anda, seperti waktu respons yang diperlukan, tingkat upaya pembuatan, persyaratan model, persyaratan pemeliharaan, dan anggaran.

2. Pilih model — Buat daftar opsi model dengan manfaat dan biaya terkait untuk setiap model. Setiap model memiliki opsi penyebaran yang berbeda. Pilih model berdasarkan analisis biaya-manfaat.

3. Tentukan infrastruktur penyebaran — Untuk model yang dipilih, perbaiki rencana infrastruktur penyebaran (jika diperlukan).

4. Tentukan alur kerja pemantauan dan pemeliharaan model — Ini termasuk pembaruan arsitektur model, pelatihan ulang berkala, dan koreksi yang dipicu oleh pemantauan alarm untuk bias dan kualitas data. Struktur alur kerja ini bergantung pada aplikasi. Misalnya, model peramalan permintaan mungkin memerlukan pelatihan ulang dan pemantauan yang sering untuk memperhitungkan penyimpangan model karena tren pasar atau faktor lainnya. Model klasifikasi yang mendeteksi manusia dalam rekaman keamanan mungkin perlu diperbarui hanya ketika arsitektur model yang ditingkatkan tersedia.

Gambar berikut menunjukkan fase dan pertimbangan yang harus Anda perhitungkan saat memilih dan menerapkan model klasifikasi gambar.

Meskipun fase-fase ini diperintahkan untuk menunjukkan ketergantungan, sebagian besar keputusan terjadi pada fase kedua, memilih model. Pada fase ini, Anda melakukan analisis biaya-manfaat dari opsi yang memenuhi persyaratan yang Anda tetapkan pada fase pertama. Ini karena setiap opsi pemodelan dikaitkan dengan kemungkinan penyebaran dan pemeliharaan yang berbeda.

Dalam panduan ini, Anda menggunakan fase-fase ini untuk mengumpulkan kebutuhan Anda dan kemudian mengevaluasi opsi pemodelan. Ini menjelaskan opsi pemodelan yang tersedia melalui Layanan AWS dan bagaimana mengatur pengembangan infrastruktur berikutnya setelah Anda memilih pendekatan pemodelan.

Langkah-langkah berikut menguraikan versi yang disederhanakan untuk menentukan pendekatan pemodelan, dengan asumsi tujuan Anda adalah meminimalkan jumlah kode dan kompleksitas:

1. Periksa apakah kelas sudah termasuk dalam label Amazon Rekognition. Jika demikian, patokan layanan ini untuk kasus penggunaan Anda. Untuk informasi selengkapnya, lihat Amazon Rekognition dalam panduan ini.

2. Jika layanan terlatih default tidak memenuhi kebutuhan Anda, jelajahi Label Kustom Rekognition Amazon. Untuk informasi selengkapnya, lihat Label Kustom Rekognition Amazon di panduan ini.

3. Jika Amazon Rekognition atau Amazon Rekognition Custom Labels tidak berfungsi untuk kasus penggunaan Anda, pertimbangkan klasifikasi gambar melalui Amazon AI Canvas. SageMaker Untuk informasi selengkapnya, lihat Amazon SageMaker AI Canvas di panduan ini.

4. Jika kasus penggunaan Anda tidak tercakup oleh SageMaker AI Canvas, pertimbangkan titik akhir SageMaker AI (baik berbasis server atau tanpa server). Untuk informasi selengkapnya, lihat titik akhir Amazon SageMaker AI dalam panduan ini.

5. Jika tidak ada layanan ini yang mengatasi kasus penggunaan Anda, gunakan solusi kontainer di Amazon Elastic Container Service (AmazonECS) atau Amazon Elastic Kubernetes Service (Amazon). EKS Untuk informasi selengkapnya, lihat Lowongan pelatihan khusus dalam panduan ini.

Mengingat persyaratan tertentu untuk solusi Anda, dimungkinkan untuk melewati langkah-langkah ini dengan sangat cepat dalam beberapa kasus. Misalnya, jika rutinitas augmentasi yang terlibat diperlukan di luar rutinitas yang dapat dengan mudah dicapai dengan membuat gambar tambahan, Anda dapat melewati langkah 1 dan 2.