機械学習を使って写真に写っている猫を見分けてみよう！

manifest ファイルパスを設定すると、このような画面が表示されます。Amazon Rekognition から S3 バケットにアクセスするためには、対象となるバケットにこちらのバケットポリシーを設定する必要があります。次の手順でバケットポリシーの設定を行いますので、こちらに表示されたバケットポリシー全体を選択し、コピーしてから、「Submit」をクリックします。

バケットポリシーとは、S3 バケットやバケットに保存されたオブジェクト (ファイル) に対するアクセス権限を設定するためのものです。今回、Amazon Rekognition から S3 バケットにファイルを保存したり保存されているファイルを参照したりするため、設定が必要となります。

先ほどコピーしたバケットポリシーを、画像が保存されている S3 バケットに設定します。ブラウザで、S3 のコンソールを表示し、前回 (前編) の手順で作成したバケットをクリックします。バケットの中身が表示されたら、上部に表示されているタブから Permissions -> Bucket Policy とクリックします。すると、テキストボックスが表示されるので、こちらに先ほどコピーしたバケットポリシーをペーストして「Save」をクリックします。

データセットの登録が成功すると、このようなデータセットの詳細画面が表示されます。ラベルを変更したい場合は、「Start Labeling」をクリックし、ラベルを変更したい画像を選んで、「Assign Labels」をクリックするとラベルを変更できます。新しいラベルを追加することも可能です。ラベルの変更が終わったら「Exit」をクリックします。「Start Labeling」をクリックすると、「Add images」ボタンから画像を追加することもできますが、削除することはできません。

モデルの学習が完了したら、Models に表示された Name の部分がクリックできるようになるのでクリックします。 

モデルの詳細画面が表示されます。ここで、モデルの精度を確認することができます。右上の「View test results」をクリックすると、検証に使用した各画像に対する結果を確認することができます。このモデルの場合、学習に 0.714 時間 (約 43 分) かかったようです。どのくらい時間がかかるかは、画像の内容や枚数によって異なります。

モデルの詳細画面を下にスクロールすると、Use model という項目が現れるので、「API Code」の部分をクリックして展開します。展開すると、REST API が表示されます。これらの API を使用して、

• モデルを使うためのサーバー (推論用エンドポイント) の立ち上げ
• 推論用エンドポイントに画像を送って猫を見分ける (推論) 
• 推論用エンドポイントの停止

を行います。

それでは、AWS Cloud9 の環境を立ち上げましょう！ AWS コンソールで cloud9 と入力して、AWS Cloud9 のコンソールにアクセスし、オレンジ色の「Create environment」をクリックします。リージョンは Amazon Rekognition Custom Labels の推論用エンドポイントと同じリージョン (今回はバージニア北部) とします。

「Name」に適当な名前を入力し、「Next step」をクリックします。

Configure settings では、すべての設定をデフォルトのままにして「Next step」をクリックします。最後に設定の確認が出たら、内容を確認して「Create environment」をクリックします。

なお、設定の Cost-saving setting の部分では、余計なコストがかからないように 30 分使用しない状態が続くと自動的にインスタンスが停止する設定になっています。

数分すると、このような画面が表示されます。矢印の部分がターミナルになっているので、こちらから API を実行します。

まずは、Amazon Rekognition Custom Labels のモデルの詳細画面に表示されている、Start API を実行して、推論用のエンドポイントを起動しましょう。
コマンドをコピーして、ターミナルにペーストしてエンターキー (Mac はリターンキー) を押して実行します。
ログに、”Status”: “STARTING” と表示されれば問題なく実行されています。エラーが出た場合は、AWS CLI が最新ではない場合がありますので、アップデートします。アップデート方法はこちらをご参照ください。

推論用エンドポイントの状況は、モデル詳細画面で「Model details」タブを選択すると確認することができます。こちらの図は、Status が STARTING となっており、推論用エンドポイントが起動中であることがわかります。推論用エンドポイントが起動すると、Status は RUNNING になります。

このようなミケの画像を推論用エンドポイントに送って推論を行います。

ミケの確率が 64.7 %、タマの確率が 35.3 % と出力されました。この写真にはミケが写っていると判断できそうです。もし間違った結果が得られた場合は、その時使用した画像と同じような画像を学習データに追加して、再度機械学習モデルを作ることで改善できる場合があります。

推論用エンドポイントは、停止しない限り料金がかかってしまうため、使い終わったら停止する必要があります。推論用エンドポイントは、Stop API を使って停止しましょう。

Stop API を実行して、推論用エンドポイントを停止します。推論用エンドポイントの稼働状況は、モデル詳細画面の「Model details」から確認できます。Status が STOPPED になっていれば OK です。