에 따르면 가트너, 마케팅 리더의 58 %는 브랜드가 잠재 고객의 구매자 행동에 중요한 동인이라고 생각하고 65 %는 브랜드가 기존 고객의 구매자 행동에 중요한 동인이라고 생각합니다. 기업은 브랜드 가시성과 인지도를 높이기 위해 광고에 막대한 비용을 지출합니다. 사실, 가트너, CMO는 마케팅 예산의 21 % 이상을 광고에 지출합니다. 브랜드는 이미지를 지속적으로 유지 및 개선하고, 웹 또는 미디어 콘텐츠에서의 존재를 이해하고, 마케팅 노력을 측정해야합니다. 이 모든 것은 모든 마케터에게 최우선 순위입니다. 그러나 이러한 광고에서 ROI를 계산하는 것은보다 정확한 결과를 제공하기 위해 인공 지능 (AI) 기반 도구를 사용하여 강화할 수 있습니다.

요즘 브랜드 소유자는 자연스럽게 자신의 지출이 자신을 위해 얼마나 효과적으로 작동하는지 알아내는 데 약간의 관심이 있습니다. 그러나 특정 캠페인이나 이벤트에서 브랜드 노출이 얼마나 좋은지 정량적으로 평가하기는 어렵습니다. 이러한 통계를 계산하는 현재의 접근 방식에는 시간과 비용이 많이 드는 방송 자료에 수동으로 주석을 달아야합니다.

이 게시물에서는 다음을 사용하여 이러한 문제를 완화하는 방법을 보여줍니다. Amazon Rekognition 사용자 지정 레이블 머신 러닝 (ML) 전문 지식 없이도 브랜드 로고를 감지 할 수 있도록 맞춤형 컴퓨터 비전 모델을 교육합니다. 아마존 세이지 메이커 그라운드 진실 훈련에 사용할 수있는 레이블이 지정되지 않은 비디오 샘플에서 훈련 데이터 세트를 빠르게 구축합니다.

이 사용 사례에서는 특정 마케팅 이벤트에 대한 비디오 샘플을 제출하여 전체 비디오에서 로고가 표시되는 시간과 비디오 프레임에서 로고가있는 위치를 평가할 수있는 회사 브랜드 감지 및 브랜드 가시성 응용 프로그램을 구축하려고합니다. 감지되었습니다.

솔루션 개요

Amazon Rekognition Custom Labels는 ML 전문 지식 없이도 이미지 분석을 위해 사용자 지정 ML 모델을 교육 할 수있는 자동화 된 ML (AutoML) 기능입니다. 비즈니스 사용 사례와 관련된 레이블이 지정된 이미지의 작은 데이터 세트를 업로드하면 Amazon Rekognition Custom Labels가 데이터 검사, ML 알고리즘 선택, 모델 교육, 성능 지표 계산 등의 힘든 작업을 처리합니다.

자체 모델을 구축하는 데 ML 전문 지식이 필요하지 않습니다. Amazon Rekognition Custom Labels의 사용 용이성과 직관적 인 설정을 통해 모든 사용자는 사용 사례에 대한 자신의 데이터 세트를 가져 와서 별도의 폴더에 레이블을 지정하고 Amazon Rekognition Custom Labels 교육 및 검증을 시작할 수 있습니다.

이 솔루션은 서버리스 아키텍처를 기반으로하므로 자체 서버를 프로비저닝 할 필요가 없습니다. 사용한만큼 지불합니다. 수요가 증가하거나 감소함에 따라 컴퓨팅 성능이 그에 따라 조정됩니다.

이 솔루션은 Ground Truth를 사용하여 교육 데이터 세트를 준비하는 것부터 Amazon Rekognition Custom Labels를 사용하여 모델을 교육하여 비디오 파일에서 브랜드 로고를 식별하고 감지하는 방법에 이르기까지 종단 간 워크 플로를 보여줍니다. 솔루션에는 데이터 레이블 지정, 모델 학습 및 추론 실행의 세 가지 주요 구성 요소가 있습니다.

데이터 라벨링

Ground Truth에서는 세 가지 유형의 레이블을 사용할 수 있습니다.

• 아마존 기계 터크 – 글로벌 온 디맨드 작업자 팀을 참여시키는 옵션
• 공급 업체 – AWS Marketplace에 나열된 타사 데이터 레이블 지정 서비스
• 개인 라벨러 – 비디오에서 프레임별로 브랜드 로고 노출에 라벨을 지정하는 개인 라벨러 팀

이 게시물에서는 개인 인력 옵션을 사용합니다.

Amazon Rekognition 사용자 지정 레이블을 사용하여 모델 교육

라벨링 작업이 완료된 후 라벨이 지정된 이미지를 사용하여 브랜드 로고 감지 모델을 학습합니다. 이 게시물의 솔루션은 Amazon Rekognition Custom Labels 프로젝트 및 사용자 지정 모델을 생성합니다. Amazon Rekognition Custom Labels는 제공된 레이블이 지정된 데이터를 자동으로 검사하고 올바른 ML 알고리즘 및 기술을 선택하고 모델을 교육하고 모델 성능 지표를 제공합니다.

추론 실행

모델이 학습되면 Amazon Rekognition Custom Labels는 추론 엔드 포인트를 제공합니다. 그런 다음 추론 엔드 포인트를 사용하여 이미지 또는 비디오 파일을 업로드하고 분석 할 수 있습니다. 웹 사용자 인터페이스는 분석 된 비디오에서 감지 된 사용자 지정 레이블의 분당 분포를 보여주는 막대 차트를 제공합니다.

아키텍처 개요

솔루션은 서버리스 아키텍처. 다음 아키텍처 다이어그램은 솔루션의 개요를 보여줍니다.

솔루션은 두 가지로 구성됩니다. AWS 단계 함수 상태 머신 :

• 트레이닝 – 업로드 된 비디오에서 이미지 프레임 추출, Ground Truth 레이블 지정 작업 생성 및 대기, Amazon Rekognition Custom Labels 모델 생성 및 교육을 관리합니다. 그런 다음 모델을 사용하여 브랜드 로고 감지 분석을 실행할 수 있습니다.
• Analysis – 비디오 또는 이미지 파일 분석을 처리합니다. 비디오 파일에서 이미지 프레임 추출, 사용자 지정 레이블 모델 시작, 추론 실행 및 사용자 지정 레이블 모델 종료를 관리합니다.

이 솔루션은 비용을 최소화하기 위해 모델이 종료되도록 사용자 지정 레이블 모델 런타임을 관리하는 기본 제공 메커니즘을 제공합니다.

웹 애플리케이션은 다음을 사용하여 백엔드 상태 머신과 통신합니다. 아마존 API 게이트웨이 RESTful 끝점. 끝점은 유효한 AWS 자격 증명 및 액세스 관리 (IAM) 자격 증명. 웹 애플리케이션에 대한 인증은 아마존 코 그니 토 사용자 풀 : 인증 된 사용자에게 시간 제한이있는 안전한 임시 자격 증명이 발급되며,이 자격 증명은 비디오 및 이미지 파일을 서버에 업로드하는 것과 같은 "범위가 지정된"리소스에 액세스하는 데 사용할 수 있습니다. 아마존 단순 스토리지 서비스 (Amazon S3) 버킷, API Gateway RESTful API 엔드 포인트를 호출하여 새 교육 프로젝트를 생성하거나 사용자가 교육 및 구축 한 Amazon Rekognition Custom Labels 모델로 추론을 실행합니다. 우리는 사용 아마존 CloudFront를 OAID를 통해 보호되는 S3 버킷 (웹)에있는 정적 콘텐츠를 호스팅합니다.

사전 조건

이 연습을 위해서는 AWS 계정 제공된 AWS 클라우드 포메이션 주형.

솔루션 배포

CloudFormation 템플릿을 사용하여 솔루션을 배포 할 수 있습니다. AWS 람다지원되는 사용자 지정 리소스. 솔루션을 배포하려면 다음 CloudFormation 템플릿 중 하나를 사용하고 지침을 따르십시오.

AWS 리전	CloudFormation 템플릿 URL
미국 동부 (버지니아 북부)
미국 동부 (오하이오)
미국 서부 (오레곤)
EU (아일랜드)

1. 에 로그인 AWS 관리 콘솔 IAM 사용자 이름과 비밀번호로
2. 에 스택 생성 페이지에서 선택 다음 보기.

3. 에 스택 세부 사항 지정 페이지 FFmpeg 구성 요소선택한다. 동의 및 설치.
4. 럭셔리 이메일, 관리 목적으로 사용할 유효한 이메일 주소를 입력하십시오.
5. 럭셔리 가격 등급선택한다. 미국, 캐나다 및 유럽 만 사용 [PriceClass_100].
6. 왼쪽 메뉴에서 다음 보기.

7. 에 스택 검토 페이지, 아래 기능에서 두 확인란을 모두 선택합니다.
8. 왼쪽 메뉴에서 스택 생성.

스택 생성은 완료하는 데 약 25 분이 걸립니다. 우리는 사용하고 있습니다 아마존 코드빌드 FFmpeg 구성 요소를 동적으로 빌드하고 아마존 CloudFront를 배포가 엣지 로케이션으로 전파되는 데 약 15 분이 걸립니다.

스택이 생성되면 no-reply@verificationmail.com에서 초대 이메일을 받아야합니다. 이메일에는 데모 포털에 액세스 할 수있는 CloudFront URL 링크, 로그인 사용자 이름 및 임시 암호가 포함되어 있습니다.

URL 링크를 선택하여 Mozilla Firefox 또는 Google Chrome으로 웹 포털을 엽니 다. 사용자 이름과 임시 자격 증명을 입력하면 새 암호를 생성하라는 메시지가 표시됩니다.

솔루션 연습

이 섹션에서는 다음과 같은 상위 수준 단계를 안내합니다.

1. 라벨링 팀 구성.
2. 모델 생성 및 훈련.
3. 비디오 개체 감지 레이블 지정 작업을 완료합니다.

라벨링 팀 구성

웹 포털에 처음 로그인하면 레이블 지정 인력을 생성하라는 메시지가 표시됩니다. 라벨링 인력은 새 교육 프로젝트를 시작할 때 작업 할 라벨링 작업을 부여받은 라벨링 담당자를 정의합니다. 고르다 가능 레이블 지정 팀 구성원을 구성합니다.

다음으로 이동할 수도 있습니다. 라벨링 팀 레이블 지정 팀의 구성원을 언제든지 관리 할 수 ​​있습니다.

지침에 따라 이메일을 추가하고 회원 확인 및 추가. 단계를 안내하려면 다음 애니메이션을 참조하십시오.

새로 추가 된 구성원은 두 개의 이메일 알림을받습니다. 첫 번째 이메일에는 레이블 지정 포털에 액세스하기위한 레이블 작성자의 자격 증명이 포함되어 있습니다. 라벨러는 Ground Truth에서 생성 한 라벨링 작업을 소비 할 수있는 권한 만 부여된다는 점에 유의해야합니다. 레이블 지정 작업을 수행하는 것 외에는 AWS 리소스에 대한 액세스 권한이 없습니다.

두 번째 이메일 "AWS 알림 – 구독 확인"에는 구독을 확인하는 지침이 포함되어 있습니다. 아마존 단순 알림 서비스 (Amazon SNS) 주제를 사용하여 새 레이블 지정 작업을 사용할 준비가 될 때마다 레이블 작성자에게 알림을 보냅니다.

첫 번째 모델 생성 및 훈련

AWS의 로고를 식별하기 위해 첫 번째 모델을 교육하고 AWS 딥레이서. 이 게시물에서는 비디오 파일을 사용합니다. AWS DeepRacer TV – Ep 1 암스테르담.

1. 탐색 메뉴에서 트레이닝.
2. 왼쪽 메뉴에서 옵션 1 경계 상자가있는 로고를 식별하도록 모델을 훈련합니다.
3. 럭셔리 프로젝트 이름, 입력 DemoProject.
4. 왼쪽 메뉴에서 라벨 추가.
5. 라벨 추가 AWS 과 DeepRacer.
6. 비디오 파일을 드롭 영역으로 끌어다 놓습니다.

여러 비디오 또는 JPEG 또는 PNG 이미지 파일을 드롭 할 수 있습니다.

7. 왼쪽 메뉴에서 프로젝트 만들기.

다음 GIF 애니메이션은 프로세스를 보여줍니다.

이 시점에서 곧 Ground Truth에 의해 레이블 지정 작업이 생성되고 레이블 지정자는 작업을 사용할 준비가되면 이메일 알림을받습니다.

비디오 개체 감지 레이블 지정 작업 완료

Ground Truth는 최근 비디오 파일에 레이블을 지정하는 데 도움이되는 새로운 사전 제작 템플릿 세트를 출시했습니다. 이 게시물에서는 비디오 객체 감지 작업 템플릿을 사용합니다. 자세한 내용은 새로운 기능 – Amazon SageMaker Ground Truth로 비디오에 레이블 지정.

교육 워크 플로는 현재 일시 중지되어 레이블 지정자가 레이블 지정 작업을 수행 할 때까지 기다립니다.

1. 레이블 지정자는 작업이 준비되었다는 이메일 알림을 받으면 레이블 지정 포털에 로그인하고 다음을 선택하여 작업을 시작할 수 있습니다. 일을 시작하다.
2. 럭셔리 라벨 카테고리, 레이블을 선택하십시오.
3. AWS 또는 AWS DeepRacer 로고 주위에 경계 상자를 그립니다.

당신은을 사용할 수 있습니다 다음 예측 버튼을 눌러 후속 프레임에서 경계 상자를 예측합니다.

다음 GIF 애니메이션은 라벨링 흐름을 보여줍니다.

레이블 지정자가 작업을 완료하면 백엔드 교육 워크 플로가 Ground Truth 레이블 지정 작업에서 레이블이 지정된 이미지를 재개 및 수집하고 Amazon Rekognition Custom Labels 프로젝트를 생성하여 모델 교육을 시작합니다. 모델 학습 시간은 객체 (레이블)의 복잡성과 학습 데이터 세트의 크기에 따라 80 시간에서 몇 시간까지 다양합니다. Amazon Rekognition Custom Labels는 데이터 세트 20/XNUMX을 자동으로 분할하여 각각 훈련 데이터 세트와 테스트 데이터 세트를 생성합니다.

추론을 실행하여 브랜드 로고 감지

모델 학습이 끝나면 동영상 파일을 업로드하고 학습 한 모델로 예측을 실행 해 보겠습니다.

1. 탐색 메뉴에서 Analysis.
2. 왼쪽 메뉴에서 새로운 분석 시작.
3. 다음을 지정하십시오.
   1. 프로젝트 이름 – Amazon Rekognition Custom Labels에서 생성 한 프로젝트.
   2. 프로젝트 버전 – 훈련 된 모델의 특정 버전.
   3. 추론 단위 – 원하는 추론 단위. 추론 엔드 포인트를 다이얼 업 또는 다이얼 다운 할 수 있습니다. 예를 들어, 더 높은 TPS (초당 트랜잭션)가 필요한 경우 더 많은 수의 추론 엔드 포인트를 사용하십시오.
4. 이미지 파일 (JPEG, PNG) 또는 비디오 파일 (MP4, MOV)을 드롭 영역에 드롭 앤 드롭합니다.
5. 업로드가 완료되면 선택한다 분석 프로세스가 완료 될 때까지 기다립니다.

분석 워크 플로는 훈련 된 Amazon Rekognition Custom Labels 모델을 시작하고 기다린 후 프레임별로 추론을 실행하고 더 이상 사용하지 않을 때 모델을 종료합니다.

다음 GIF 애니메이션은 분석 흐름을 보여줍니다.

예측 결과보기

이 솔루션은 비디오 전체에 배포 된 감지 된 브랜드의 전체 통계를 제공합니다. 다음 스크린 샷은 AWS DeepRacer 로고가 전체적으로 약 25 % 감지되고 60 : 00 : 01–00 : 00 : 02 기간 동안 약 00 % 감지됨을 보여줍니다. 반대로 AWS 로고는 훨씬 낮은 비율로 감지됩니다. 이 게시물에서는 AWS 로고가 비교적 적은 모델을 교육하는 데 하나의 비디오 만 사용했습니다. 더 많은 비디오 파일로 모델을 재교육하여 정확도를 향상시킬 수 있습니다.

샷 요소보기를 확장하여 브랜드 로고가 프레임별로 어떻게 감지되는지 확인할 수 있습니다.

보려는 프레임을 선택하면 신뢰도 점수와 함께 로고가 표시됩니다. 회색으로 표시된 이미지는 로고를 감지하지 못하는 이미지입니다. 다음 이미지는 프레임 # 10237에서 신뢰도 82 %로 AWS DeepRacer 로고가 감지되었음을 보여줍니다.

또 다른 이미지는 AWS 로고가 60 %의 신뢰도 점수로 감지되었음을 보여줍니다.

청소

데모 솔루션을 삭제하려면 이전에 배포 한 CloudFormation 스택을 삭제하면됩니다. 그러나 CloudFormation 스택을 삭제해도 다음 리소스는 제거되지 않으므로 잠재적 인 반복 비용을 방지하려면 수동으로 정리해야합니다.

• S3 버킷 (웹, 소스 및 로그)
• Amazon Rekognition Custom Labels 프로젝트 (학습 된 모델)

결론

이 게시물은 Amazon Rekognition Custom Labels를 사용하여 이미지와 비디오에서 브랜드 로고를 감지하는 방법을 보여주었습니다. 자체 모델을 구축하는 데 ML 전문 지식이 필요하지 않습니다. Amazon Rekognition Custom Labels의 사용 용이성과 직관적 인 설정을 통해 고유 한 데이터 세트를 가져 와서 별도의 폴더에 레이블을 지정하고 Amazon Rekognition Custom Labels 교육 및 검증을 시작할 수 있습니다. 필요한 인프라를 만들고 UI 설치 및 실행을 시연하고 인프라의 보안 및 비용에 대해 논의했습니다.

이 시리즈의 두 번째 게시물에서는 Ground Truth를 사용하여 비디오 파일의 데이터 레이블 지정을 심층 분석하여 훈련 단계를위한 데이터를 준비합니다. 또한 Amazon Rekognition Custom Labels를 사용하여 모델을 교육하는 방법에 대한 기술적 세부 정보도 설명합니다. 이 시리즈의 세 번째 게시물에서는 추론 단계로 들어가 특정 비디오 파일에서 브랜드 가시성에 대한 도달 통계 세트를 보여줍니다.

이 게시물의 코드 샘플에 대한 자세한 내용은 GitHub 레포.

저자에 관하여

켄 섹 EMEA 지역의 글로벌 수직 솔루션 설계자, 미디어 및 엔터테인먼트입니다. 그는 미디어 고객이 AWS 클라우드 모범 사례를 사용하여 워크로드를 설계, 개발 및 AWS 클라우드에 배포하도록 돕습니다. Ken은 University of California, Berkeley를 졸업하고 Northwestern Polytechnical University에서 컴퓨터 과학 석사 학위를 받았습니다.

아밋 무 케르 지 데이터 분석 및 AI / ML에 중점을 둔 선임 파트너 솔루션 아키텍트입니다. 그는 AWS 파트너 및 고객과 협력하여 매우 안전한 확장 가능한 데이터 분석 플랫폼을 구축하고 대규모로 기계 학습을 채택하기위한 아키텍처 지침을 제공합니다.

사 메르 고엘 시애틀의 솔루션 설계자로서 최첨단 이니셔티브에 대한 프로토 타입을 구축하여 고객의 성공을 주도합니다. AWS에 합류하기 전에 Sameer는 NEU Boston에서 데이터 과학 전공으로 석사 학위를 받았습니다. 그는 창의적인 프로젝트와 응용 프로그램을 만들고 실험하는 것을 즐깁니다.

출처 : https://aws.amazon.com/blogs/machine-learning/part-1-end-to-end-solution-building-your-own-brand-detection-and-visibility-using-amazon-sagemaker- 지상 진실 및 amazon-rekognition-custom-labels /