概览
本指南演示了如何使用机器学习模型处理遥感图像，这些模型能够自动检测和识别从卫星、无人驾驶飞行器和其他遥感设备收集的对象。卫星图像通常比标准媒体文件大得多。本指南部署了高度可扩展和可用的图像处理服务，可支持这种大小的图像。这些服务将高效地收集、处理和分析图像，让您有更多时间来评估和应对您在图像中发现的情况。
工作原理
该架构图显示了如何使用机器学习实现可扩展的图像处理和物体检测，以分析遥感图像。
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
我们开发了内部管道，允许您在多个地区和阶段部署和验证本指南中的软件，帮助您根据需要进行整合和更改。再加上我们专门负责管理本指南和有效应对任何事故或事件的工程师团队，可确保您始终拥有完善的架构。
本指南中的资源是按照我们的安全、身份与合规性最佳实践配置的。我们的应用程序安全（AppSec）团队会持续对其进行以安全为中心的例行分析。
您应该意识到，由于该系统依赖于与您现有基础设施的集成，而不是通过命令行界面（CLI）进行管理，因此指南并未专门涉及人员和计算机访问的身份验证和授权。这方面将由我们的 AppSec 团队进行严格审查，以确保您在按照设计部署服务时不会暴露于漏洞中。
本指南分布在各个可用区，在由 AWS Fargat e 管理的多节点 A mazon ECS 集群上运行，确保您拥有稳定的可用性。
亚马逊 SQS 队列和亚马逊 SNS 主题会传播任务元数据供您监控。这使您能够跟踪已提交作业的状态和进度。本指南配备全面的嵌入式指标和控制面板，与服务一起作为标准配置部署。
本指南使用持续集成/持续部署（CI/CD）管道，该管道通过 Amazon 内部程序持续构造、部署和验证本指南的持续发布。可以使用 AWS 云开发套件 (AWS CDK) 为所有已部署的资源配置数据持久化和备份。我们在作业队列中加入了重试策略，并将逻辑集成到代码中，以管理作业请求的平稳失败或部分完成，同时为这些请求提供状态更新。此外，我们的 Amazon ECS 集群具有节点故障转移功能，使其他节点能够在出现故障时重试任何任务。最后，我们利用全面的集成和负载测试方法来确认本指南在各种场景下的性能和可靠性。
您需要注意一些可能影响可靠性的限制因素。使用极其缓慢的模型处理大量图像集时，需要进行一些校准以确保达到本指南的最佳性能。这包括管理模型、图像大小、训练数据和数据集。这些变量中的每一个都决定了模型的运行效果。
默认设置已准备就绪，可以为您演示基本功能。这些策略使服务能够根据传入作业需求的涌入量和速度，动态地纵向扩展或缩减。为了满足从扩展到流量和数据访问模式等不同的工作负载要求，我们在 AWS CD K 框架内采用了自动扩展结构。这样，您就可以定义和管理应用程序的自动扩缩模式。重要的是，您可以随时访问这些配置和选项。
您可以选择本指南的位置，以便始终在单一虚拟私有云（VPC）基础设施内运行，从而减少延迟并提高性能。
本指南通过分析架构框架中不可或缺的资源来评估成本。通过使用负载测试、重复迭代和数据收集，我们根据从客户那里了解到的明确要求选择了我们的服务及其资源分配。
我们根据性能需求确定成本，并为您提供定制服务的选项，以满足您独特的任务目标。这种灵活性使您能够选择更动态的扩缩策略和更大的实例类型，以更高的成本增强性能，或者选择不那么激进的扩缩策略以节省成本。
通过在 AWS CDK 中使用自动扩展结构，我们可以进行动态调整以匹配负载要求并确保有效的资源分配，从而确保在指南框架中的任何给定时间仅部署必要的最低资源。所有数据存储均使用通过 AWS CDK 中的结构提取的最佳实践和模式进行配置。
对于演示性或“试运行”应用场景，本指南旨在以最少的资源分配实现高效运行，从而减少所需的预置硬件数量。这是唯一需要硬件的实例。
实施资源
免责声明
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。