이미지 분류 모델 구축

다음은 이미지 분류 모델을 개발하는 단계입니다.

1. 요구 사항 결정 - 필요한 응답 시간, 빌드 노력 수준, 모델 요구 사항, 유지 관리 요구 사항 및 예산과 같은 모델 및 배포 요구 사항을 결정합니다.

2. 모델 선택 - 각 모델의 관련 이점 및 비용이 포함된 모델 옵션 목록을 생성합니다. 모델마다 배포 옵션이 다릅니다. 비용 편익 분석을 기반으로 모델을 선택합니다.

3. 배포 인프라 결정 - 선택한 모델의 경우 배포 인프라 계획을 구체화합니다(필요한 경우).

4. 모델 모니터링 및 유지 관리 워크플로 확인 - 여기에는 모델 아키텍처에 대한 업데이트, 주기적 재훈련, 편향 및 데이터 품질에 대한 경보를 모니터링하여 트리거되는 수정이 포함됩니다. 이 워크플로의 구조는 애플리케이션에 따라 다릅니다. 예를 들어 수요 예측 모델은 시장 추세 또는 기타 요인으로 인한 모델 드리프트를 고려하기 위해 빈번한 재훈련 및 모니터링이 필요할 수 있습니다. 보안 영상에서 사람을 감지하는 분류 모델은 개선된 모델 아키텍처를 사용할 수 있는 경우에만 업데이트해야 할 수 있습니다.

다음 이미지는 이미지 분류 모델을 선택하고 배포할 때 고려해야 할 단계와 고려 사항을 보여줍니다.

이러한 단계는 종속성을 표시하도록 순서가 지정되지만 결정의 대부분은 모델을 선택하는 두 번째 단계에서 발생합니다. 이 단계에서는 첫 번째 단계에서 정의한 요구 사항을 충족하는 옵션에 대한 비용 편익 분석을 수행합니다. 이는 각 모델링 옵션이 다양한 배포 및 유지 관리 가능성과 연결되어 있기 때문입니다.

이 가이드에서는 이러한 단계를 사용하여 요구 사항을 수집한 다음 모델링 옵션을 평가합니다. 를 통해 AWS 서비스 사용할 수 있는 모델링 옵션과 모델링 접근 방식을 선택한 후 후속 인프라 개발을 구성하는 방법을 설명합니다.

다음 단계에서는 코드의 양과 복잡성을 최소화하는 것이 목표라고 가정하여 모델링 접근 방식을 결정하기 위한 간소화된 버전을 간략하게 설명합니다.

1. 클래스가 Amazon Rekognition 레이블에 이미 포함되어 있는지 확인합니다. 그렇다면 사용 사례에 맞게이 서비스를 벤치마킹합니다. 자세한 내용은이 가이드의 Amazon Rekognition을 참조하세요.

2. 사전 훈련된 기본 서비스가 요구 사항을 충족하지 않는 경우 Amazon Rekognition Custom Labels를 살펴보세요. 자세한 내용은이 가이드의 Amazon Rekognition Custom Labels를 참조하세요.

3. Amazon Rekognition 또는 Amazon Rekognition Custom Labels가 사용 사례에 적합하지 않은 경우 Amazon SageMaker AI Canvas를 통한 이미지 분류를 고려하세요. 자세한 내용은이 가이드의 Amazon SageMaker AI Canvas를 참조하세요.

4. 사용 사례가 SageMaker AI Canvas에서 다루지 않는 경우 SageMaker AI 엔드포인트(서버 기반 또는 서버리스)를 고려하세요. 자세한 내용은이 가이드의 Amazon SageMaker AI 엔드포인트를 참조하세요.

5. 이러한 서비스 중 사용 사례를 해결하는 서비스가 없는 경우 Amazon Elastic Container Service(AmazonECS) 또는 Amazon Elastic Kubernetes Service(Amazon)에서 컨테이너화된 솔루션을 사용합니다EKS. 자세한 내용은이 가이드의 사용자 지정 훈련 작업을 참조하세요.

솔루션에 대한 특정 요구 사항을 고려할 때 경우에 따라 이러한 단계를 매우 빠르게 건너뛸 수 있습니다. 예를 들어, 추가 이미지를 생성하여 쉽게 수행할 수 있는 것 이상으로 관련 증강 루틴이 필요한 경우 1단계와 2단계를 건너뛸 수 있습니다.