소개

Amazon Rekognition Custom Labels를 사용하면 비즈니스 요구 사항에 특화된 이미지에서 객체와 장면을 식별할 수 있습니다. 예를 들어, 소셜 미디어 게시글에서 로고를 찾거나 매장에서 제품을 식별하거나 어셈블리 라인에서 기계 부품을 분류하거나 정상적으로 운영되는 공장과 결함이 있는 공장을 구별하거나 비디오에서 애니메이션 캐릭터를 탐지할 수 있습니다.

이미지를 분석하기 위해 사용자 지정 모델을 개발하는 작업은 시간과 전문 지식, 리소스를 요구하는 중요한 작업이며, 종종 완료하는 데 몇 달이 걸리기도 합니다. 또한 정확한 결정을 내리기 위해 충분한 데이터를 포함하는 모델을 제공하려면 수천 또는 수만 개의 수작업으로 제작된 레이블 이미지가 필요하기도 합니다. 이 데이터를 생성하려면 수집하는 데 몇 달이 걸릴 수 있고, 기계 학습에 사용하도록 준비하는 데 레이블 지정자로 구성된 큰 팀이 필요합니다.

Amazon Rekognition Custom Labels를 사용하면 이 많은 작업을 대신해 드립니다. Rekognition Custom Labels는 여러 카테고리에서 수천 만 개의 이미지로 이미 학습된 Rekognition의 기존 기능에 기반합니다. 수천 개의 이미지 대신, 사용하기 쉬운 AWS 콘솔에 사용 사례에 특화된 작은 학습 이미지 집합을 업로드하기만 하면 됩니다(보통 몇 백 개 미만의 이미지). 이미지에 이미 레이블이 지정된 경우 Rekognition은 몇 번의 클릭만으로 학습을 시작할 수 있습니다. 그렇지 않으면 Rekognition의 레이블 지정 인터페이스에서 직접 레이블을 지정하거나 Amazon SageMaker Ground Truth를 사용하여 자동으로 레이블을 지정할 수 있습니다. Rekognition이 이미지 집합에서 학습을 시작하면 몇 시간 안에 자동으로 사용자 지정 이미지 분석 모델을 생성할 수 있습니다. 그 이면에서 Rekognition Custom Labels는 학습 데이터를 자동으로 로드 및 검사하고, 올바른 기계 학습 알고리즘을 선택하며, 모델을 학습시키고, 모델 성능 지표를 제공합니다. 그런 다음, Rekognition Custom Labels API를 통해 사용자 지정 모델을 사용해 애플리케이션에 통합할 수 있습니다.

사용 사례

정확하게 브랜드 적용 범위 측정

마케팅 에이전시는 다양한 미디어에서 고객의 브랜드 적용 범위를 정확하게 보고해야 합니다. 일반적으로 소셜 미디어 이미지, 브로드캐스트 및 스포츠 비디오에서 클라이언트의 로고와 제품이 등장하는 사례를 직접 일일이 추적합니다. Amazon Rekognition Custom Labels를 사용하면 에이전시는 클라이언트 로고 및 제품을 탐지하도록 특별히 학습한 사용자 지정 모델을 생성할 수 있습니다. 기존 방식에 따라 소셜 미디어를 일일이 확인하는 대신, 사용자 지정 모델을 통해 이미지 및 비디오 프레임을 처리하여 노출 횟수를 확인할 수 있습니다.

신디케이션을 위한 콘텐츠 검색

콘텐츠 제작자는 보통 수천 개의 이미지와 비디오를 검색하여 프로그램 제작에 사용할 관련 콘텐츠를 찾아야 합니다. 예를 들어, 스포츠 브로드캐스터는 종종 계열사의 경기, 팀 및 선수에 대한 하이라이트 필름을 모아 아카이브에서 수동으로 구성해야 합니다. 운동복과 번호로 팀과 선수를 식별하고 골 득점, 페널티 및 부상과 같은 일반적인 경기 이벤트를 식별하도록 사용자 지정 모델을 학습하면 필름의 주제와 일치하는 관련 이미지 목록과 클립을 빠르게 구축할 수 있습니다.

운영 효율성 향상

농업 관련 회사는 포장 전에 농산물의 품질에 등급을 매겨야 합니다. 예를 들어, 토마토 농장은 토마토를 녹색에서 빨간색까지 완숙 단계를 6개 그룹으로 직접 분류하고 적절히 포장하여 최대 유통 기한을 보장해야 합니다. 하지만 이때 직접 각 토마토를 검사하는 대신, 사용자 지정 모델을 학습하여 완숙도 기준에 따라 토마토를 분류할 수 있습니다. 제조 시스템에 모델을 통합하면 자동으로 토마토를 분류하고 적절히 포장할 수 있습니다.

주요 기능

데이터 레이블 지정 단순화

Rekognition Custom Labels 콘솔에서는 이미지에 레이블을 빠르고 간단하게 지정할 수 있도록 시각적 인터페이스를 제공합니다. 이 인터페이스를 사용하면 전체 이미지에 레이블을 적용하거나 간단한 클릭 앤 드래그 인터페이스로 경계 상자를 사용해 이미지에서 특정 객체를 식별하고 레이블을 지정할 수 있습니다.

Simplify-data-labeling

또는 큰 데이터 집합이 있는 경우 Amazon SageMaker Ground Truth를 사용하여 대규모로 이미지에 레이블을 효율적으로 지정할 수 있습니다.

자동 기계 학습

사용자 지정 모델을 구축하는 데 기계 학습 전문 지식은 요구되지 않습니다. Rekognition Custom Labels에는 기계 학습을 담당하는 AutoML 기능이 포함되어 있습니다. 학습한 이미지를 제공한 후 Rekognition Custom Labels는 데이터를 자동으로 로드 및 검사하고, 올바른 기계 학습 알고리즘을 선택하며, 모델을 학습하고, 모델 성능 지표를 제공합니다.

단순화된 모델 평가, 추론 및 피드백

테스트 집합에서 사용자 지정 모델의 성능을 평가합니다. 테스트 집합의 모든 이미지에 대해 모델의 예측 및 지정된 레이블을 단계별로 비교할 수 있습니다. 또한 정밀도/회수 지표, F 스코어 및 신뢰도 점수와 같은 자세한 성능 지표를 검토할 수도 있습니다. 이미지 분석에 직접 모델을 사용하기 시작하거나 더 많은 이미지를 포함하는 새로운 버전을 반복하고 다시 학습하여 성능을 향상시킬 수 있습니다. 모델을 사용하기 시작하면 예측을 추적하고 실수를 정정하며 피드백 데이터를 사용해 새로운 버전을 다시 학습하고 성능을 향상시킵니다.

고객 성공 사례

신디케이트된 콘텐츠 생성
nfl
"오늘날 미디어 환경에서 조직이 관리하는 구조화되지 않은 콘텐츠의 양은 기하급수적으로 늘어나고 있습니다. 기존 도구로는 수천 개의 미디어 자산 속에서 사용자가 찾는 특정 요소를 찾기 어렵습니다. Amazon Rekognition의 새로운 기능, Custom Labels를 사용하면 비즈니스의 특정 사용 사례에 맞게 조정된 메타데이터를 자동으로 생성하고 콘텐츠 생성 팀에 검색 가능한 패싯을 제공할 수 있습니다. 그러면 콘텐츠 검색 속도를 크게 향상시킬 수 있으며, 특히 전에는 수동으로 작업해야 했지만 지금은 자동으로 요소에 태그를 지정할 수 있습니다. 이러한 도구를 통해 자사의 프로덕션 팀은 이러한 데이터를 직접 활용하여 모든 미디어 플랫폼에서 고객에게 향상된 제품을 제공할 수 있습니다."

Brad Boim, NFL Media의 포스트 프로덕션 및 자산 관리 부문의 상임 이사

마케팅 성과 강화
5582_600x400_Vidmob_Logo
Amazon Rekognition Custom Labels가 도입되면서 마케터들은 AWS의 Agile Creative Studio 내에서 고급 기능을 활용할 수 있습니다. 그러면 광고에서 신경을 써야 하는 특정 제품(사용자 지정 레이블)을 대규모로 몇 분 안에 구축하고 학습할 수 있습니다. Amazon Rekognition에 통합된 VidMob를 사용하면 고객은 공통 객체를 과거와 같이 식별하면서, 이제 모든 비즈니스에 맞게 AWS 플랫폼을 더 효과적으로 맞춤화할 수 있는 사용자 지정 레이블의 새로운 기능을 이용할 수 있습니다. VidMob의 Agile Creative Studio를 사용해 창의적 성과를 150% 높이고 *사람의 분석* 시간을 30% 줄이면서, 창의적 성과를 평가하는 기능을 적절히 확장할 수 있습니다."

Alex Collmer, VidMob의 CEO

Amazon Rekognition Custom Labels 시작하기

개발자 안내서 읽기
구축할 준비가 되셨습니까?
AWS Rekognition 시작하기
질문이 있으십니까?
AWS에 문의