As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Detectar as anomalias de uma imagem
Para detectar anomalias em uma imagem com um modelo treinado do Amazon Lookout for Vision, você chama a operação DetectAnomalies. O resultado de DetectAnomalies
inclui uma previsão booleana que classifica a imagem como contendo uma ou mais anomalias e um valor de confiança para a previsão. Se o modelo for um modelo de segmentação de imagem, o resultado também incluirá uma máscara colorida mostrando as posições dos diferentes tipos de anomalias.
As imagens que você fornece DetectAnomalies
devem ter as mesmas dimensões de largura e altura das imagens que você usou para treinar o modelo.
A DetectAnomalies
aceita imagens no formato PNG ou JPG. Recomendamos que as imagens estejam no mesmo formato de codificação e compressão que as usadas para treinar o modelo. Por exemplo, se você treinar o modelo com imagens no formato PNG, chame DetectAnomalies
com imagens no formato PNG.
Antes de ligar DetectAnomalies
, você deve primeiro iniciar seu modelo com a StartModel
operação. Para obter mais informações, consulte Iniciar seu modelo do Amazon Lookout for Vision. Você é cobrado pela quantidade de tempo, em minutos, que um modelo é executado e pelo número de unidades de detecção de anomalias que seu modelo usa. Se você não estiver usando um modelo, use a StopModel
operação para parar seu modelo. Para obter mais informações, consulte Parar o modelo do Amazon Lookout for Vision.
Tópicos
Como chamar o DetectAnomalias
Para chamar DetectAnomalies
, especifique o seguinte:
-
Projeto — O nome do projeto que contém o modelo que deseja usar.
-
ModelVersion — A versão do modelo que você deseja usar.
-
ContentType — O tipo de imagem que você deseja analisar. Os valores válidos são
image/png
(imagens no formato PNG) eimage/jpeg
(imagens no formato JPG). -
Corpo — Os bytes binários não codificados que representam a imagem.
A imagem deve ter as mesmas dimensões das imagens usadas para treinar o modelo.
O exemplo a seguir mostra como chamar DetectAnomalies
. Você pode usar a resposta da função dos exemplos em Python e Java para chamar funções em Determinar se uma imagem é anômala
Entender a resposta do DetectAnomalias
A resposta DetectAnomalies
varia de acordo com o tipo do modelo que você treina (modelo de classificação ou modelo de segmentação). Em ambos os casos, a resposta é um objeto DetectAanomalyResult.
Modelo de classificação
Se seu modelo for um Modelo de classificação de imagens, a resposta de DetectAnomalies
conterá o seguinte:
-
isAnomalous — Um indicador booleano de que a imagem contém uma ou mais anomalias.
-
Confiança — A confiança que o Amazon Lookout for Vision tem na precisão da previsão da anomalia (
IsAnomalous
).Confidence
é um valor de ponto flutuante entre 0 e 1. Um valor mais alto indica uma maior confiança. -
Fonte — Informações sobre a imagem passada para
DetectAnomalies
.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996867775917053 } }
Você determina se uma imagem é anômala verificando o IsAnomalous
campo e confirmando que o Confidence
valor é alto o suficiente para suas necessidades.
Se você achar que os valores de confiança retornados por DetectAnomalies
são muito baixos, considere retreinar o modelo. Para ver um código demonstrativo, consulte Classificação.
Modelo de segmentação
Se seu modelo for um Modelo de segmentação de imagens, a resposta inclui informações de classificação e informações de segmentação, como uma máscara de imagem e tipos de anomalia. As informações de classificação são calculadas separadamente das informações de segmentação e você não deve presumir uma relação entre elas. Se você não receber informações de segmentação na resposta, verifique se você tem a versão mais recente do AWS SDK instalada (AWS Command Line Interface, se estiver usando a AWS CLI). Para ver um código demonstrativo, consulte Segmentação e Exibindo informações de classificação e segmentação.
isAnomalous (classificação) — Um indicador booleano que classifica a imagem como normal ou anômala.
Confiança (classificação) — A confiança que o Amazon Lookout for Vision tem na precisão da classificação da imagem (
IsAnomalous
).Confidence
é um valor de ponto flutuante entre 0 e 1. Um valor mais alto indica uma maior confiança.-
Fonte — Informações sobre a imagem passada para
DetectAnomalies
. -
AnomalyMask (segmentação) — Uma máscara de pixels que cobre anomalias encontradas na imagem analisada. Pode haver várias anomalias na imagem. A cor dos mapas de uma máscara indica o tipo de anomalia. As cores da máscara são mapeadas para as cores atribuídas aos tipos de anomalias no conjunto de dados de treinamento. Para encontrar o tipo de anomalia a partir da cor da máscara, verifique
Color
o campoPixelAnomaly
de cada anomalia retornada na listaAnomalies
. Para ver um código demonstrativo, consulte Exibindo informações de classificação e segmentação. -
Anomalias (segmentação) — Uma lista de anomalias encontradas na imagem. Cada anomalia inclui o tipo de anomalia (
Name
) e as informações de pixel (PixelAnomaly
).TotalPercentageArea
é a área percentual da imagem que a anomalia cobre.Color
é a cor da máscara para a anomalia.O primeiro elemento na lista é sempre um tipo de anomalia que representa o fundo da imagem (
BACKGROUND
) e não deve ser considerado uma anomalia. O Amazon Lookout for Vision adiciona automaticamente o tipo de anomalia em segundo plano à resposta. Você não precisa declarar um tipo de anomalias de fundo do seu conjunto de dados.
{ "DetectAnomalyResult": { "Source": { "Type": "direct" }, "IsAnomalous": true, "Confidence": 0.9996814727783203, "Anomalies": [ { "Name": "background", "PixelAnomaly": { "TotalPercentageArea": 0.998999834060669, "Color": "#FFFFFF" } }, { "Name": "scratch", "PixelAnomaly": { "TotalPercentageArea": 0.0004034999874420464, "Color": "#7ED321" } }, { "Name": "dent", "PixelAnomaly": { "TotalPercentageArea": 0.0005966666503809392, "Color": "#4DD8FF" } } ], "AnomalyMask": "iVBORw0....." } }