Construindo um modelo de classificação de imagens

A seguir estão as fases do desenvolvimento de um modelo de classificação de imagens:

1. Determine seus requisitos — determine seus requisitos de modelo e implantação, como o tempo de resposta necessário, o nível de esforço de construção, os requisitos do modelo, os requisitos de manutenção e o orçamento.

2. Escolha um modelo — Crie uma lista de opções de modelo com os benefícios e custos associados a cada modelo. Cada modelo tem uma opção de implantação diferente. Selecione um modelo com base na análise de custo-benefício.

3. Determine a infraestrutura de implantação — Para o modelo selecionado, refine o plano da infraestrutura de implantação (se necessário).

4. Determine o fluxo de trabalho de monitoramento e manutenção do modelo — Isso inclui atualizações na arquitetura do modelo, reciclagem periódica e correções acionadas por alarmes de monitoramento de viés e qualidade dos dados. A estrutura desse fluxo de trabalho depende do aplicativo. Por exemplo, um modelo de previsão de demanda pode exigir treinamento e monitoramento frequentes para considerar a variação do modelo devido às tendências do mercado ou a outros fatores. Um modelo de classificação que detecta humanos em imagens de segurança pode precisar ser atualizado somente quando uma arquitetura de modelo aprimorada estiver disponível.

A imagem a seguir mostra as fases e as considerações que você deve considerar ao escolher e implantar um modelo de classificação de imagens.

Embora essas fases sejam ordenadas para mostrar dependência, a maior parte das decisões ocorre na segunda fase, escolhendo um modelo. Nessa fase, você realiza uma análise de custo-benefício das opções que atendem aos requisitos definidos na primeira fase. Isso ocorre porque cada opção de modelagem está associada a diferentes possibilidades de implantação e manutenção.

Neste guia, você usa essas fases para reunir seus requisitos e, em seguida, avaliar as opções de modelagem. Ele explica as opções de modelagem disponíveis Serviços da AWS e como organizar o desenvolvimento subsequente da infraestrutura após a escolha de uma abordagem de modelagem.

As etapas a seguir descrevem uma versão simplificada para determinar uma abordagem de modelagem, supondo que sua meta seja minimizar a quantidade de código e a complexidade:

1. Verifique se as aulas já estão incluídas nas etiquetas do Amazon Rekognition. Em caso afirmativo, compare esse serviço para seu caso de uso. Para obter mais informações, consulte Amazon Rekognition neste guia.

2. Se o serviço pré-treinado padrão não atender às suas necessidades, explore as etiquetas personalizadas do Amazon Rekognition. Para obter mais informações, consulte Amazon Rekognition Custom Labels neste guia.

3. Se nem o Amazon Rekognition nem o Amazon Rekognition Custom Labels funcionarem para seu caso de uso, considere a classificação de imagens por meio do Amazon AI Canvas. SageMaker Para obter mais informações, consulte Amazon SageMaker AI Canvas neste guia.

4. Se seu caso de uso não for coberto pelo SageMaker AI Canvas, considere um endpoint de SageMaker IA (baseado em servidor ou sem servidor). Para obter mais informações, consulte os endpoints de SageMaker IA da Amazon neste guia.

5. Se nenhum desses serviços atender ao seu caso de uso, use uma solução em contêineres no Amazon Elastic Container Service (AmazonECS) ou no Amazon Elastic Kubernetes Service (Amazon). EKS Para obter mais informações, consulte Trabalhos de treinamento personalizados neste guia.

Considerando certos requisitos para sua solução, é possível pular essas etapas muito rapidamente em alguns casos. Por exemplo, se for necessária uma rotina de aumento envolvida, além de uma que pode ser facilmente realizada com a criação de imagens adicionais, você pode pular as etapas 1 e 2.