Introducción
Con las etiquetas personalizadas de Amazon Rekognition, puede identificar los objetos y escenas en imágenes que son específicas para sus necesidades empresariales. Por ejemplo, puede encontrar su logotipo en publicaciones de redes sociales, identificar sus productos en los estantes de las tiendas, clasificar piezas de máquinas en una línea de montaje, distinguir plantas en buen estado o infectadas, o detectar sus personajes animados en videos.
Desarrollar un modelo personalizado para analizar imágenes es una tarea significativa que requiere tiempo, experiencia y recursos. A menudo, requiere meses en completarse. Además, suele ser necesario disponer de miles o decenas de miles de imágenes etiquetadas manualmente para suministrar al modelo suficientes datos para que pueda tomar decisiones con precisión. Generar estos datos puede exigir meses de recopilación, así como grandes equipos de etiquetado para preparar los datos para su uso en el machine learning.
Con las etiquetas personalizadas de Amazon Rekognition, nos encargamos del trabajo más pesado. Las etiquetas personalizadas de Amazon Rekognition se basan en las capacidades existentes de Rekognition, que ya están entrenadas con decenas de millones de imágenes de muchas categorías. En lugar de emplear miles de imágenes, simplemente debe cargar un reducido conjunto de imágenes de entrenamiento (habitualmente, unos pocos cientos de imágenes o menos) que sean específicas para su caso de uso en nuestra consola fácil de usar. Si sus imágenes ya están etiquetadas, Rekognition puede empezar el entrenamiento en unos pocos clics. En caso contrario, puede etiquetarlas directamente en la interfaz de etiquetado de Rekognition o usar Amazon SageMaker Ground Truth para etiquetarlas. Una vez Rekognition empieza el entrenamiento a partir de su conjunto de imágenes, puede producir un modelo de análisis de imágenes personalizado en unas pocas horas. En segundo plano, las etiquetas personalizadas de Rekognition cargan y examinan automáticamente los datos de entrenamiento, seleccionan los algoritmos adecuados de machine learning, entrenan un modelo y proporcionan la métrica de rendimiento del modelo. A continuación, puede usar su modelo personalizado mediante la API de las etiquetas personalizadas de Rekognition e integrarlo en sus aplicaciones.
Casos de uso
Mida de forma precisa la cobertura de marca
Las agencias de marketing necesitan generar informes precisos de las coberturas de marcas de sus clientes en varios medios. Habitualmente, hacen un seguimiento manual de las apariciones de los logotipos y los productos de sus clientes en las imágenes de las redes sociales, las retransmisiones y los videos deportivos. Con las etiquetas personalizadas de Amazon Rekognition, las agencias pueden crear un modelo personalizado entrenado específicamente para detectar los logotipos y los productos de sus clientes. En lugar de hacer un seguimiento minucioso y manual de los medios tradicionales y las redes sociales, pueden procesar las imágenes y los fotogramas de video mediante un modelo personalizado para encontrar el número de impresiones.
Descubra contenido para redifusión
Los productores de contenido habitualmente tienen que buscar entre miles de imágenes y videos para encontrar el contenido relevante que quieren usar para producir sus programas. Por ejemplo, un canal deportivo a menudo debe montar piezas breves sobre partidos, equipos y jugadores para los afiliados, que pueden tardar horas en montarse manualmente a partir de los archivos. Entrenando modelos personalizados para que identifiquen a los equipos y los jugadores por la camiseta y el dorsal o bien que identifiquen sucesos deportivos comunes, como los goles marcados, los penales y las lesiones, pueden elaborar rápidamente una lista relevante de imágenes y videos que coincidan con el tema de la pieza.
Mejore la eficiencia operativa
Las empresas de agricultura deben calificar la calidad de sus productos antes de empaquetarlos. Por ejemplo, un productor de tomates puede clasificar manualmente los tomates en 6 grupos de madurez, de verde a rojo, y empaquetarlos consecuentemente para maximizar su período de conservación. En lugar de examinar manualmente cada tomate, puede entrenar un modelo personalizado para clasificar los tomates basándose en sus criterios de madurez. Integrando el modelo a sus sistemas de producción, puede clasificar automáticamente los tomates y empaquetarlos consecuentemente.
Características principales
Simplifique el etiquetado de datos
La consola de las etiquetas personalizadas de Rekognition proporcionan una interfaz visual para realizar el etiquetado de sus imágenes de forma rápida y simple. La interfaz le permite aplicar una etiqueta a toda la imagen o identificar y etiquetar objetos concretos de las imágenes mediante rectángulos delimitadores con una simple interfaz para hacer clic y arrastrar.
Opcionalmente, si dispone de un gran conjunto de datos, puede usar Amazon SageMaker Ground Truth para etiquetar sus imágenes eficientemente en la magnitud requerida.
Machine learning automatizado
No es preciso tener experiencia en machine learning para crear su modelo personalizado. Las etiquetas personalizadas de Rekognition incluyen capacidades de AutoML que se encargan del machine learning por usted. Una vez proporcionadas las imágenes de entrenamiento, las etiquetas personalizadas de Rekognition pueden cargar y examinar automáticamente los datos, seleccionar los algoritmos adecuados del machine learning, entrenar un modelo y proporcionar las métricas de rendimiento del modelo.
Evaluación de modelo simplificada, inferencia y datos de retorno
Evalúe el rendimiento de su modelo personalizado en su conjunto de prueba. Para cada imagen en el conjunto de prueba, puede ver la comparación en paralelo de la predicción del modelo frente a la etiqueta asignada. También puede revisar la métrica de rendimiento detallada, como la métrica de precisión/recuperación, la puntuación f y las puntuaciones de confianza. Puede empezar a usar su modelo inmediatamente para el análisis de imágenes o realizar iteraciones y volver a entrenar nuevas versiones con más imágenes para mejorar el rendimiento. Una vez haya empezado a usar su modelo, puede hacer un seguimiento de sus predicciones, corregir cualquier error y usar los datos de retorno para volver a entrenar nuevas versiones del modelo y mejorar el rendimiento.
Historias de éxito de los clientes
Creación de contenido de redifusión
“En el panorama de los medios actual, el volumen del contenido no estructurado que las organizaciones administran crece de manera exponencial. Con el uso de herramientas tradicionales, los usuarios pueden tener dificultad en buscar a través de miles de activos de medios para poder ubicar un elemento específico que están buscando. Mediante el uso de la nueva característica de Amazon Rekognition, podemos generar automáticamente etiquetas de metadatos adaptadas a casos de uso específicos para nuestro negocio y proporcionar facetas de búsqueda para nuestros equipos de creación de contenido. Esto mejora la velocidad en la cual podemos buscar contenidos significativamente y, más importante, nos permite etiquetar elementos que requieren esfuerzos manuales anteriores automáticamente. Estas herramientas permiten a nuestros equipos de producción aprovechar estos datos directamente y ofrecen productos mejorados a nuestros clientes en todas nuestras plataformas de medios”.
Brad Boim, director senior de posproducción y administración de activos de NFL Media
Impulso del rendimiento de marketing
“Con la introducción de las etiquetas personalizadas de Amazon Rekognition, los anunciantes contarán con capacidades avanzadas en nuestro Agile Creative Studio, lo cual les permitirá crear y formar los productos específicos (etiquetas personalizadas) que más les interesen dentro de sus anuncios, en la magnitud requerida y en pocos minutos. Mediante la integración de VidMob de Amazon Rekognition, los clientes pueden identificar desde hace tiempo los objetos comunes, pero ahora la nueva capacidad de etiquetado personalizado permite que nuestra plataforma esté más enfocada a cada negocio. Con un incremento del 150 % del rendimiento creativo y una reducción del 30 % del tiempo de análisis humano, se ampliará de forma adaptativa su capacidad para medir el rendimiento creativo mediante Agile Creative Studio de VidMob”.
Alex Collmer, director ejecutivo (CEO) de VidMob
Detección de anomalías en los recibos de tienda
Prodege es una plataforma de marketing e información sobre el consumidor controlada por datos que se compone de marcas de consumo como Swagbucks, MyPoints, Tada, ySense, InboxDollars, InboxPounds, DailyRewards y Upromise, junto con un conjunto complementario de soluciones empresariales para profesionales del marketing e investigadores.
“Prodege utiliza las etiquetas personalizadas de Amazon Rekognition para detectar anomalías en los recibos de las tiendas. Mediante el uso de las etiquetas personalizadas de Amazon Rekognition, Prodege pudo detectar anomalías con gran precisión en las imágenes de los recibos de las tiendas cargadas por nuestros valiosos miembros como parte de las ofertas de nuestro programa de compensaciones. Lo mejor de las etiquetas personalizadas de Amazon Rekognition es que son fáciles de configurar y solo requieren un pequeño conjunto de imágenes preclasificadas (un par de centenares en nuestro caso) para formar el modelo de ML para una detección de imágenes muy confiable. Se puede acceder fácilmente a los puntos de enlace del modelo mediante la API. Las etiquetas personalizadas de Amazon Rekognition han sido una solución extremadamente eficaz para permitir el buen funcionamiento de nuestro producto de escaneo de recibos validados. Además, nos han ayudado a ahorrar mucho tiempo y recursos en comparación con la detección manual. No puedo agradecer lo suficiente al equipo de AWS Support, que nos ha ayudado con diligencia en todos los aspectos del producto a lo largo de este proceso”.
Arun Gupta, director de inteligencia empresarial de Prodege, LLC
Tutoriales en video
Introducción a las etiquetas personalizadas de Amazon Rekognition