وفقًا غارتنر، يعتقد 58٪ من قادة التسويق أن العلامة التجارية هي محرك حاسم لسلوك المشتري بالنسبة للعملاء المحتملين ، ويعتقد 65٪ أنها محرك حاسم لسلوك المشتري للعملاء الحاليين. تنفق الشركات مبالغ طائلة على الإعلان لزيادة وضوح العلامة التجارية والوعي بها. في الواقع ، حسب غارتنر، CMO تنفق أكثر من 21٪ من ميزانياتها التسويقية على الإعلانات. يتعين على العلامات التجارية الحفاظ على صورتها وتحسينها باستمرار ، وفهم وجودها على الويب أو محتوى الوسائط ، وقياس جهدها التسويقي. كل هذه هي أولوية قصوى لكل مسوق. ومع ذلك ، يمكن زيادة حساب عائد الاستثمار من مثل هذا الإعلان باستخدام أدوات مدعومة بالذكاء الاصطناعي (AI) لتقديم نتائج أكثر دقة.

في الوقت الحاضر ، يهتم مالكو العلامات التجارية بطبيعة الحال بمعرفة مدى فعالية إنفاقهم لصالحهم. ومع ذلك ، من الصعب إجراء تقييم كمي لمدى جودة عرض العلامة التجارية في حملة أو حدث معين. يتضمن النهج الحالي لحساب مثل هذه الإحصائيات التعليق التوضيحي لمواد البث يدويًا ، وهو أمر مستهلك للوقت ومكلف.

في هذا المنشور ، نوضح لك كيفية التخفيف من هذه التحديات باستخدام تسميات Amazon Rekognition المخصصة لتدريب نموذج رؤية كمبيوتر مخصص لاكتشاف شعارات العلامة التجارية دون الحاجة إلى خبرة في التعلم الآلي (ML) ، و الحقيقة الأمازون SageMaker الأرض لبناء مجموعة بيانات تدريبية بسرعة من عينات فيديو غير مسماة يمكن استخدامها للتدريب.

بالنسبة لحالة الاستخدام هذه ، نريد إنشاء تطبيق لاكتشاف العلامة التجارية للشركة ورؤية العلامة التجارية يسمح لك بإرسال عينة فيديو لحدث تسويقي معين لتقييم المدة التي تم خلالها عرض شعارك في الفيديو بالكامل ومكان الشعار في إطار الفيديو تم كشفه.

حل نظرة عامة

Amazon Rekognition Custom Labels هي ميزة تلقائية في ML (AutoML) تتيح لك تدريب نماذج ML المخصصة لتحليل الصور دون الحاجة إلى خبرة ML. قم بتحميل مجموعة بيانات صغيرة من الصور المصنفة الخاصة بحالة استخدام عملك ، وستتولى Amazon Rekognition Custom Labels العبء الثقيل لفحص البيانات ، واختيار خوارزمية ML ، وتدريب نموذج ، وحساب مقاييس الأداء.

ليست هناك حاجة لخبرة ML لبناء نموذجك الخاص. تتيح سهولة الاستخدام والإعداد البديهي لـ Amazon Rekognition Custom Labels لأي مستخدم إحضار مجموعة البيانات الخاصة به لحالة الاستخدام الخاصة به ، وتسميتها في مجلدات منفصلة ، وإطلاق التدريب والتحقق من صحة Amazon Rekognition Custom Labels.

الحل مبني على بنية بدون خادم ، مما يعني أنك لست مضطرًا لتوفير الخوادم الخاصة بك. أنت تدفع مقابل ما تستخدمه. مع نمو الطلب أو انخفاضه ، تتكيف قوة الحساب وفقًا لذلك.

يوضح هذا الحل سير العمل الشامل من إعداد مجموعة بيانات التدريب باستخدام Ground Truth إلى تدريب نموذج باستخدام Amazon Rekognition Custom Labels لتحديد واكتشاف شعارات العلامة التجارية في ملفات الفيديو. يتكون الحل من ثلاثة مكونات رئيسية: وسم البيانات ، والتدريب على النموذج ، وتشغيل الاستدلال.

وسم البيانات

تتوفر ثلاثة أنواع من الملصقات مع Ground Truth:

• الأمازون ميكانيكي ترك - خيار لإشراك فريق عالمي من العمال عند الطلب
• المورّدين - خدمات وضع العلامات على بيانات الجهات الخارجية المدرجة في AWS Marketplace
• الملصقات الخاصة - فرقك الخاصة من المصممين الخاصين لتسمية مرات ظهور شعار العلامة التجارية إطارًا تلو الآخر من الفيديو

بالنسبة لهذا المنشور ، نستخدم خيار القوى العاملة الخاصة.

تدريب النموذج باستخدام Amazon Rekognition Custom Labels

بعد اكتمال مهمة وضع العلامات ، نقوم بتدريب نموذج اكتشاف شعار علامتنا التجارية باستخدام هذه الصور المصنفة. ينشئ الحل في هذا المنشور مشروع Amazon Rekognition Custom Labels ونموذجًا مخصصًا. تقوم Amazon Rekognition Custom Labels تلقائيًا بفحص البيانات المصنفة المقدمة ، وتحديد خوارزميات وتقنيات ML الصحيحة ، وتدريب نموذج ، وتوفير مقاييس أداء النموذج.

تشغيل الاستدلال

عندما يتم تدريب نموذجنا ، توفر Amazon Rekognition Custom Labels نقطة نهاية للاستدلال. يمكننا بعد ذلك تحميل وتحليل الصور أو ملفات الفيديو باستخدام نقطة نهاية الاستدلال. تقدم واجهة مستخدم الويب مخططًا شريطيًا يوضح توزيع التسميات المخصصة المكتشفة في الدقيقة في الفيديو الذي تم تحليله.

نظرة عامة على العمارة

الحل يستخدم بنية بدون خادم. يوضح الرسم التخطيطي المعماري التالي نظرة عامة على الحل.

الحل يتكون من اثنين وظائف خطوة AWS آلات الدولة:

• قادة الإيمان - يدير استخراج إطارات الصور من مقاطع الفيديو التي تم تحميلها ، وإنشاء وظيفة وضع العلامات على Ground Truth والانتظار عليها ، وإنشاء وتدريب نموذج Amazon Rekognition Custom Labels. يمكنك بعد ذلك استخدام النموذج لإجراء تحليل الكشف عن شعار العلامة التجارية.
• تحليل الأداء - يتعامل مع تحليل ملفات الفيديو أو الصور. يدير استخراج إطارات الصور من ملفات الفيديو ، وبدء نموذج الملصق المخصص ، وتشغيل الاستدلال ، وإغلاق نموذج الملصق المخصص.

يوفر الحل آلية مضمنة لإدارة وقت تشغيل نموذج الملصق المخصص للتأكد من إيقاف تشغيل النموذج للحفاظ على تكلفتك عند الحد الأدنى.

يتواصل تطبيق الويب مع أجهزة حالة الواجهة الخلفية باستخدام ملف بوابة أمازون API نقطة نهاية مريحة. نقطة النهاية محمية بملحق إدارة الهوية والوصول AWS (IAM) الاعتماد. تتم المصادقة على تطبيق الويب من خلال ملف أمازون كوجنيتو تجمع المستخدمين ، حيث يتم إصدار بيانات اعتماد مؤقتة آمنة ومحددة زمنيًا لمستخدم مصادق عليه والتي يمكن استخدامها بعد ذلك للوصول إلى الموارد "المحددة" مثل تحميل ملفات الفيديو والصور إلى خدمة تخزين أمازون البسيطة (Amazon S3) ، استدعاء نقطة نهاية API Gateway RESTful لإنشاء مشروع تدريب جديد ، أو تشغيل الاستدلال باستخدام نموذج Amazon Rekognition Custom Labels الذي قمت بتدريبه وصنعه. نحن نستخدم الأمازون CloudFront لاستضافة المحتويات الثابتة الموجودة في حاوية S3 (الويب) المحمية من خلال OAID.

المتطلبات الأساسية المسبقة

لهذا الدليل ، يجب أن يكون لديك حساب AWS مع أذونات IAM المناسبة لبدء تشغيل تكوين سحابة AWS قالب.

نشر الحل

يمكنك نشر الحل باستخدام نموذج CloudFormation مع AWS لامداالموارد المخصصة المدعومة. لنشر الحل ، استخدم أحد قوالب CloudFormation التالية واتبع التعليمات:

منطقة AWS	عنوان URL لنموذج CloudFormation
شرق الولايات المتحدة (فرجينيا الشمالية)
شرق الولايات المتحدة (أوهايو)
غرب الولايات المتحدة (أوريغون)
الاتحاد الأوروبي (أيرلندا)

1. تسجيل الدخول إلى وحدة تحكم إدارة AWS باستخدام اسم مستخدم IAM وكلمة المرور.
2. على إنشاء مكدس الصفحة ، اختر التالى.

3. على حدد تفاصيل المكدس صفحة ، لـ مكون FFmpeg، اختر الموافقة والتثبيت.
4. في حالة البريد إلكتروني:، أدخل عنوان بريد إلكتروني صالحًا لاستخدامه لأغراض إدارية.
5. في حالة فئة السعر، اختر استخدم فقط الولايات المتحدة وكندا وأوروبا [PriceClass_100].
6. اختار التالى.

7. على مراجعة المكدس الصفحة تحت قدرات، حدد خانتي الاختيار.
8. اختار إنشاء مكدس.

يستغرق إنشاء المكدس حوالي 25 دقيقة لإكماله ؛ كانوا يستخدمون أمازون كودبويلد لبناء مكون FFmpeg ديناميكيًا ، و الأمازون CloudFront يستغرق التوزيع حوالي 15 دقيقة للنشر إلى مواقع الحافة.

بعد إنشاء المكدس ، يجب أن تتلقى دعوة عبر البريد الإلكتروني من no-reply@verificationmail.com. يحتوي البريد الإلكتروني على رابط URL CloudFront للوصول إلى البوابة التجريبية واسم مستخدم تسجيل الدخول وكلمة مرور مؤقتة.

اختر رابط URL لفتح بوابة الويب باستخدام Mozilla Firefox أو Google Chrome. بعد إدخال اسم المستخدم وبيانات الاعتماد المؤقتة ، سيُطلب منك إنشاء كلمة مرور جديدة.

تجول الحل

في هذا القسم ، نوجهك عبر الخطوات عالية المستوى التالية:

1. تشكيل فريق وضع العلامات.
2. إنشاء النموذج الخاص بك وتدريبه.
3. إكمال مهمة وضع العلامات للكشف عن كائن الفيديو.

تشكيل فريق وضع العلامات

في المرة الأولى التي تقوم فيها بتسجيل الدخول إلى بوابة الويب ، ستتم مطالبتك بإنشاء قوة عاملة خاصة بوضع العلامات. تحدد القوة العاملة في وضع العلامات أعضاء المصنفين الذين تم تكليفهم بمهام تصنيف للعمل عليها عند بدء مشروع تدريب جديد. أختر نعم لتكوين أعضاء فريق التصنيف الخاص بك.

يمكنك أيضًا الانتقال إلى ملف فريق وضع العلامات علامة التبويب لإدارة الأعضاء من فريق وضع العلامات في أي وقت.

اتبع التعليمات لإضافة بريد إلكتروني واختر تأكيد وإضافة أعضاء. شاهد الرسوم المتحركة التالية لتوجيهك خلال الخطوات.

العضو المضاف حديثًا يتلقى إخطاري بريد إلكتروني. يحتوي البريد الإلكتروني الأول على بيانات اعتماد المصنف للوصول إلى بوابة التسمية. من المهم ملاحظة أن المصنِّف لا يُمنح حق الوصول إلا لاستهلاك وظيفة تصنيف تم إنشاؤها بواسطة Ground Truth. ليس لديهم إمكانية الوصول إلى أي من موارد AWS بخلاف العمل في وظيفة وضع العلامات.

يحتوي البريد الإلكتروني الثاني "إعلام AWS - تأكيد الاشتراك" على تعليمات لتأكيد اشتراكك في ملف خدمة إعلام أمازون البسيطة (Amazon SNS) بحيث يتم إخطار المصنف عندما تكون مهمة تصنيف جديدة جاهزة للاستهلاك.

إنشاء وتدريب النموذج الأول الخاص بك

لنبدأ في تدريب نموذجنا الأول على تحديد شعارات AWS و AWS Deep Racer. في هذا المنشور ، نستخدم ملف الفيديو AWS DeepRacer TV - الحلقة 1 أمستردام.

1. في قائمة التنقل ، اختر قادة الإيمان.
2. اختار الخيار 1 لتدريب نموذج على تحديد الشعارات مع المربعات المحيطة.
3. في حالة اسم المشروع، أدخل DemoProject.
4. اختار أضف تسمية.
5. أضف التسميات AWS و DeepRacer.
6. اسحب ملف الفيديو وأفلته في منطقة الإفلات.

يمكنك إسقاط ملفات فيديو متعددة أو ملفات صور JPEG أو PNG.

7. اختار إنشاء مشروع.

يوضح الرسم المتحرك GIF التالي العملية.

في هذه المرحلة ، يتم إنشاء وظيفة وضع العلامات قريبًا بواسطة Ground Truth ويتلقى المصمم إشعارًا بالبريد الإلكتروني عندما تكون المهمة جاهزة للاستهلاك.

إكمال مهمة وضع العلامات للكشف عن كائن الفيديو

أطلقت Ground Truth مؤخرًا مجموعة جديدة من القوالب المعدة مسبقًا والتي تساعد في تسمية ملفات الفيديو. بالنسبة لمنشورنا ، نستخدم قالب مهمة اكتشاف كائن الفيديو. لمزيد من المعلومات، راجع جديد - تسمية مقاطع الفيديو باستخدام Amazon SageMaker Ground Truth.

تم إيقاف سير عمل التدريب مؤقتًا حاليًا ، في انتظار أن يعمل المصممون على وظيفة وضع العلامات.

1. بعد أن يتلقى عامل التصنيف إشعارًا بالبريد الإلكتروني يفيد بأن الوظيفة جاهزة لهم ، يمكنهم تسجيل الدخول إلى بوابة وضع العلامات وبدء المهمة عن طريق الاختيار بدء العمل.
2. في حالة فئة التسمية، اختر تسمية.
3. ارسم المربعات المحيطة حول شعارات AWS أو AWS DeepRacer.

يمكنك استخدام توقع بعد ذلك زر للتنبؤ بالمربع المحيط في الإطارات اللاحقة.

يوضح الرسم المتحرك GIF التالي تدفق وضع العلامات.

بعد أن يكمل المصمم المهمة ، يستأنف سير عمل التدريب الخلفي ويجمع الصور المعنونة من وظيفة وضع العلامات على الحقيقة الأرضية ويبدأ تدريب النموذج من خلال إنشاء مشروع Amazon Rekognition Custom Labels. يختلف وقت تدريب النموذج من ساعة إلى بضع ساعات اعتمادًا على مدى تعقيد العناصر (الملصقات) وحجم مجموعة بيانات التدريب. تقسم Amazon Rekognition Custom Labels تلقائيًا مجموعة البيانات 80/20 لإنشاء مجموعة بيانات التدريب ومجموعة بيانات الاختبار ، على التوالي.

تشغيل الاستدلال للكشف عن شعارات العلامة التجارية

بعد تدريب النموذج ، دعنا نرفع ملف فيديو وننفذ التنبؤات بالنموذج الذي دربناه.

1. في قائمة التنقل ، اختر تحليل الأداء.
2. اختار ابدأ تحليلًا جديدًا.
3. حدد ما يلي:
   1. اسم المشروع - المشروع الذي أنشأناه في Amazon Rekognition Custom Labels.
   2. نسخة المشروع - النسخة المحددة للنموذج المدرب.
   3. وحدات الاستدلال - وحدات الاستدلال التي تريدها ، حتى تتمكن من الاتصال بنقطة نهاية الاستدلال أو الاتصال بها. على سبيل المثال ، إذا كنت تحتاج إلى معاملات أعلى في الثانية (TPS) ، فاستخدم عددًا أكبر من نقاط نهاية الاستدلال.
4. قم بإفلات وإفلات ملفات الصور (JPEG ، PNG) أو ملفات الفيديو (MP4 ، MOV) في منطقة الإفلات.
5. عند اكتمال التحميل ، اختر تم. وانتظر حتى تنتهي عملية التحليل.

يبدأ سير عمل التحليل وينتظر نموذج Amazon Rekognition Custom Labels المُدرب ، ويقوم بتشغيل إطار الاستدلال بإطار ، وإيقاف النموذج عندما لا يكون قيد الاستخدام.

يوضح الرسم المتحرك GIF التالي تدفق التحليل.

عرض نتائج التنبؤ

يوفر الحل إحصائية شاملة للعلامات التجارية المكتشفة الموزعة عبر الفيديو. توضح لقطة الشاشة التالية أن شعار AWS DeepRacer تم اكتشافه بنسبة 25٪ بشكل عام وتم اكتشافه بنسبة 60٪ تقريبًا في الفترة الزمنية 00: 01: 00-00: 02: 00. في المقابل ، يتم اكتشاف شعار AWS بمعدل أقل بكثير. في هذا المنشور ، استخدمنا مقطع فيديو واحدًا فقط لتدريب النموذج ، الذي كان يحتوي على عدد قليل نسبيًا من شعارات AWS. يمكننا تحسين الدقة بإعادة تدريب النموذج بمزيد من ملفات الفيديو.

يمكنك توسيع عرض عنصر اللقطة لمعرفة كيفية اكتشاف شعارات العلامة التجارية إطارًا تلو الآخر.

إذا اخترت إطارًا لعرضه ، فسيظهر الشعار بدرجة ثقة. الصور ذات اللون الرمادي هي تلك التي لا تكتشف أي شعار. تُظهر الصورة التالية أنه تم اكتشاف شعار AWS DeepRacer في الإطار رقم 10237 بدرجة ثقة تبلغ 82٪.

تُظهر صورة أخرى أنه تم اكتشاف شعار AWS بدرجة ثقة تبلغ 60٪.

تنظيف

لحذف الحل التجريبي ، ما عليك سوى حذف حزمة CloudFormation التي قمت بنشرها مسبقًا. ومع ذلك ، فإن حذف مكدس CloudFormation لا يزيل الموارد التالية ، والتي يجب عليك تنظيفها يدويًا لتجنب التكاليف المتكررة المحتملة:

• حاويات S3 (الويب والمصدر والسجلات)
• مشروع Amazon Rekognition Custom Labels (نموذج مدرب)

وفي الختام

أوضح هذا المنشور كيفية استخدام Amazon Rekognition Custom Labels لاكتشاف شعارات العلامات التجارية في الصور ومقاطع الفيديو. ليست هناك حاجة لخبرة ML لبناء نموذجك الخاص. تتيح لك سهولة الاستخدام والإعداد البديهي لملصقات Amazon Rekognition Custom Labels إحضار مجموعة البيانات الخاصة بك ، وتسميتها في مجلدات منفصلة ، وإطلاق تدريب Amazon Rekognition Custom Labels والتحقق من صحتها. لقد أنشأنا البنية التحتية المطلوبة ، وأظهرنا تثبيت وتشغيل واجهة المستخدم ، وناقشنا أمان وتكلفة البنية التحتية.

في المنشور الثاني في هذه السلسلة ، نتعمق في تسمية البيانات من ملف فيديو باستخدام Ground Truth لإعداد البيانات لمرحلة التدريب. نشرح أيضًا التفاصيل الفنية لكيفية استخدام Amazon Rekognition Custom Labels لتدريب النموذج. في المنشور الثالث في هذه السلسلة ، نتعمق في مرحلة الاستدلال ونعرض لك مجموعة الإحصاءات للوصول إلى رؤية علامتك التجارية في ملف فيديو معين.

لمزيد من المعلومات حول نموذج التعليمات البرمجية في هذا المنشور ، راجع ملف جيثب ريبو.

حول المؤلف

كين شيك مهندس عالمي للحلول الرأسية ووسائل الإعلام والترفيه في منطقة أوروبا والشرق الأوسط وإفريقيا. إنه يساعد عملاء الوسائط على تصميم وتطوير ونشر أحمال العمل على سحابة AWS باستخدام أفضل ممارسات سحابة AWS. تخرج كين من جامعة كاليفورنيا في بيركلي وحصل على درجة الماجستير في علوم الكمبيوتر من جامعة نورث وسترن بوليتكنيكال.

أميت موخيرجي هو مهندس حلول كبير مع التركيز على تحليلات البيانات والذكاء الاصطناعي / تعلم الآلة. إنه يعمل مع شركاء AWS وعملائها لتزويدهم بالإرشادات المعمارية لبناء منصة تحليلات بيانات قابلة للتطوير بدرجة عالية من الأمان واعتماد التعلم الآلي على نطاق واسع.

سمير جويل هو مهندس حلول في سياتل ، يقود نجاح العملاء من خلال بناء نماذج أولية على المبادرات المتطورة. قبل انضمامه إلى AWS ، تخرج سمير بدرجة الماجستير من NEU Boston ، مع تخصص علوم البيانات. يستمتع ببناء وتجريب المشاريع والتطبيقات الإبداعية.

المصدر: https://aws.amazon.com/blogs/machine-learning/part-1-end-to-end-solution-building-your-own-brand-detection-and-visibility-using-amazon-sagemaker- تسميات مخصصة لعلم الأرض والحقيقة والأمازون /