태양광과 같은 재생 가능한 자원은 지속 가능하고 탄소 중립적인 메커니즘을 제공하여 전력을 생성합니다. 많은 국가의 정부는 소규모 재생 에너지 계획의 일환으로 태양 전지판을 설치하도록 가정에 인센티브와 보조금을 제공하고 있습니다. 이것은 태양 전지판에 대한 엄청난 수요를 창출했습니다. 적시에 적절한 채널을 통해 매력적인 제안을 통해 잠재 고객에게 다가가는 것은 태양광 및 에너지 회사에게 매우 중요합니다. 그들은 잠재 고객에게 사전에 도달하기 위해 표적 마케팅을 수행하기 위한 비용 효율적인 접근 방식과 도구를 찾고 있습니다. 대규모 태양광 패널 설치 범위가 낮은 교외 지역을 식별하여 해당 지역에 대한 마케팅 이니셔티브를 극대화하여 마케팅 투자 수익을 극대화할 수 있습니다.

이 게시물에서는 다음을 사용하여 위성 이미지에서 옥상의 태양 전지판을 식별하는 방법에 대해 설명합니다. Amazon Rekognition 사용자 지정 레이블.

문제

도시 지역의 고해상도 위성 이미지는 옥상의 조감도를 제공합니다. 이 이미지를 사용하여 태양광 패널 설치를 식별할 수 있습니다. 그러나 높은 정확도, 낮은 비용, 확장 가능한 방식으로 태양 전지판을 자동으로 식별하는 것은 어려운 작업입니다.

컴퓨터 비전 기술의 급속한 발전으로 여러 타사 도구에서 컴퓨터 비전을 사용하여 위성 이미지를 분석하고 물체(예: 태양 전지판)를 자동으로 식별합니다. 그러나 이러한 도구는 비싸고 전체 마케팅 비용을 증가시킵니다. 많은 조직은 또한 위성 이미지에서 옥상에 태양 전지판의 존재를 식별하기 위해 최첨단 컴퓨터 비전 애플리케이션을 성공적으로 구현했습니다.

그러나 현실은 특정 사용 사례에 대한 프로덕션 머신 러닝(ML) 애플리케이션을 구축하기 위해 특정 전문 지식과 경험을 갖춘 자체 데이터 과학 팀을 구축해야 한다는 것입니다. 일반적으로 팀이 프로덕션에서 사용할 수 있는 컴퓨터 비전 솔루션을 구축하는 데 몇 달이 걸립니다. 이것은 그러한 시스템을 구축하고 유지하는 데 비용을 증가시킵니다.

태양광 회사가 해당 목적을 위한 전담 데이터 과학 팀을 구축하지 않고도 효과적인 컴퓨터 비전 모델을 신속하게 구축하는 데 도움이 되는 더 간단하고 비용 효율적인 솔루션이 있습니까? 예, Rekognition Custom Labels가 이 질문에 대한 답변입니다.

솔루션 개요

Rekognition Custom Labels는 아마존 인식 컴퓨터 비전 모델 개발의 무거운 작업을 처리하므로 컴퓨터 비전 경험이 필요하지 않습니다. 적절한 레이블이 있는 이미지를 제공하고, 모델을 교육하고, 모델을 빌드하고 미세 조정할 필요 없이 배포하기만 하면 됩니다. Rekognition Custom Labels에는 더 적은 수의 레이블이 지정된 이미지로 매우 정확한 모델을 구축할 수 있는 기능이 있습니다. 이렇게 하면 모델 개발의 무거운 작업을 제거하고 고객을 위한 부가 가치 제품 및 응용 프로그램 개발에 집중할 수 있습니다.

이 게시물에서는 위성 이미지에서 지붕과 태양 전지판을 감지하기 위해 컴퓨터 비전 모델에 레이블을 지정하고, 훈련하고, 구축하는 방법을 보여줍니다. 우리는 사용 아마존 단순 스토리지 서비스 (Amazon S3) 위성 이미지 저장용, 아마존 세이지 메이커 그라운드 진실 적절한 관심 레이블로 이미지에 레이블을 지정하고 모델 교육 및 호스팅을 위한 Rekognition Custom Labels. 모델 출력을 테스트하기 위해 Jupyter 노트북을 사용하여 Amazon Rekognition API를 호출하여 제공된 이미지에서 사용자 지정 레이블을 감지하는 Python 코드를 실행합니다.

다음 다이어그램은 AWS 서비스를 사용하여 이미지에 레이블을 지정하고 ML 모델을 교육 및 호스팅하는 아키텍처를 보여줍니다.

솔루션 워크플로는 다음과 같습니다.

1. Amazon S3에 위성 이미지 데이터를 입력 소스로 저장합니다.
2. Ground Truth 레이블 지정 작업을 사용하여 이미지에 레이블을 지정합니다.
3. Amazon Rekognition을 사용하여 사용자 지정 레이블로 모델을 교육합니다.
4. 훈련된 모델을 미세 조정합니다.
5. 모델을 시작하고 Rekognition Custom Labels API를 사용하여 훈련된 모델로 이미지를 분석합니다.

Amazon S3에 위성 이미지 데이터를 입력 소스로 저장

태양광 패널이 있거나 없는 옥상의 위성 이미지는 위성 이미지 데이터 공급자로부터 캡처되어 S3 버킷에 저장됩니다. 이 게시물에서는 호주 뉴사우스웨일스(NSW)에서 제공한 이미지를 사용합니다. NSW 고객 서비스부 공간 서비스. 이 포털에서 옥상의 스크린샷을 찍고 해당 이미지를 소스 S3 버킷에 저장했습니다. 이 이미지는 다음 단계에서 설명하는 것처럼 Ground Truth 레이블 지정 작업을 사용하여 레이블이 지정됩니다.

Ground Truth 레이블 지정 작업을 사용하여 이미지 레이블 지정

Ground Truth는 ML 작업을 위한 매우 정확한 교육 데이터 세트를 쉽게 구축할 수 있는 완전 관리형 데이터 레이블 지정 서비스입니다. 세 가지 옵션이 있습니다.

• 아마존 기계 터크, 공공 인력을 사용하여 데이터에 레이블을 지정합니다.
• 비공개: 내부 팀에서 비공개 인력을 생성할 수 있습니다.
• 라벨링 작업에 타사 리소스를 사용하는 공급업체

이 예에서는 개인 인력을 사용하여 데이터 레이블 지정 작업을 수행합니다. 인용하다 Amazon SageMaker Ground Truth를 사용하여 데이터 레이블 지정 경계 상자가 있는 레이블 지정 작업을 위해 개인 인력을 만들고 Ground Truth를 구성하는 방법에 대한 지침은 다음을 참조하세요.

다음은 라벨링 작업의 예시 이미지입니다. 라벨러는 다른 색상으로 표시된 선택된 라벨을 사용하여 대상의 경계 상자를 그릴 수 있습니다. 우리는 이미지에 XNUMX개의 레이블을 사용했습니다: 옥상, 옥상 패널 및 패널은 각각 태양 전지 패널이 없는 옥상, 태양 전지 패널이 있는 옥상 및 태양 전지 패널만 있는 옥상을 나타냅니다.

레이블 지정 작업이 완료되면 output.manifest 파일이 생성되어 레이블 지정 작업을 생성할 때 지정한 S3 출력 위치에 저장됩니다. 다음 코드는 매니페스트 파일에 있는 하나의 이미지 레이블 지정 출력의 예입니다.

{
"source-ref": "s3://<your-bucket-name>/blog-images/source-image/03-09-2021/source-image-001.png",
“Rekognition-solar-panel-labeling”:{
    "image_size": [{"width":644,"height":560,"depth":3}],
    "annotations": [
        {"class_id":1,"top":51,"left":188,"height":175,"width":236},
        {"class_id":2,"top":58,"left":276,"height":32,"width":105},
        {"class_id":0,"top":332,"left":150,"height":192,"width":151},
        {"class_id":0,"top":271,"left":354,"height":79,"width":121}
    ]},
"Rekognition-solar-panel-labeling-metadata": {
    "objects": [{"confidence":0},{"confidence":0},{"confidence":0},{"confidence":0}],
    "class-map":{
        "1":"rooftop-panel",
        "2":"panel",
        "0":"rooftop"},
    "type": "groundtruth/object-detection",
    "human-annotated": "yes",
    "creation-date": "2021-09-14T11:30:41.125196",
    "job-name": "labeling-job/Rekognition-solar-panel-labeling"
    }
}

출력 매니페스트 파일은 Amazon Rekognition 교육 작업에 필요한 것입니다. 다음 섹션에서는 관심 객체를 감지하는 고성능 ML 모델을 만드는 단계별 지침을 제공합니다.

Amazon Rekognition을 사용하여 사용자 지정 레이블로 모델 훈련

이제 사용자 지정 개체 감지 모델에 대한 프로젝트를 만들고 레이블이 지정된 이미지를 Rekognition Custom Labels에 제공하여 모델을 훈련시킵니다.

1. Amazon Rekognition 콘솔에서 맞춤 라벨 사용 탐색 창에서
   
2. 탐색 창에서 프로젝트.
3. 왼쪽 메뉴에서 프로젝트 만들기.
   
4. 럭셔리 프로젝트 이름, 고유한 이름을 입력합니다.
5. 왼쪽 메뉴에서 프로젝트 만들기.
   

다음으로 훈련 작업에 대한 데이터 세트를 생성합니다.

6. 탐색 창에서 데이터 세트.
7. Ground Truth 레이블 지정 작업에서 생성된 매니페스트 파일을 기반으로 데이터 세트를 만듭니다.
   

이제 새 모델을 훈련 할 준비가되었습니다.

8. 생성 한 프로젝트를 선택하고 새 모델 학습.
9. 생성한 교육 데이터 세트를 선택하고 테스트 데이터 세트를 선택합니다.
10. 왼쪽 메뉴에서 Train 모델 학습을 시작합니다.

새 테스트 데이터 세트를 생성하거나 훈련 데이터 세트를 분할하여 훈련 데이터의 20%를 테스트 데이터 세트로 사용하고 나머지 80%를 훈련 데이터 세트로 사용할 수 있습니다. 그러나 훈련 데이터 세트를 분할하면 새 모델을 훈련할 때마다 전체 데이터 세트에서 훈련 및 테스트 데이터 세트가 무작위로 선택됩니다. 이 예에서는 훈련된 모델을 평가하기 위해 별도의 테스트 데이터 세트를 생성합니다.

추가로 50개의 위성 이미지를 수집하고 Ground Truth를 사용하여 레이블을 지정했습니다. 그런 다음 이 레이블 지정 작업의 출력 매니페스트 파일을 사용하여 테스트 데이터 세트를 생성했습니다.

이를 통해 다양한 입력 데이터 세트를 기반으로 훈련된 다양한 모델 버전의 평가 메트릭을 비교할 수 있습니다. 첫 번째 훈련 데이터 세트는 160개의 이미지로 구성됩니다. 테스트 데이터 세트에는 50개의 이미지가 있습니다.

모델 교육 프로세스가 완료되면 평가 지표에 액세스할 수 있습니다. 평가 모델 페이지의 탭입니다. 우리의 훈련 직업은 달성할 수 있었습니다 F1 점수 0.934의. 모델 평가 메트릭은 우리가 사용한 훈련 이미지의 수와 모델 검증에 사용된 이미지의 수를 고려할 때 합리적으로 좋습니다.

모델 평가 메트릭이 합리적이기는 하지만 모델의 레이블이 잘못 지정된 이미지를 이해하는 것이 중요합니다. 그래야 실제 문제를 처리할 수 있도록 모델의 성능을 더욱 미세하게 조정할 수 있습니다. 다음 섹션에서는 레이블이 부정확한 이미지를 평가하고 더 나은 성능을 달성하기 위해 모델을 다시 훈련시키는 프로세스를 설명합니다.

훈련된 모델 미세 조정

훈련된 모델에 의해 추론된 잘못된 레이블을 평가하는 것은 모델을 추가로 미세 조정하기 위한 중요한 단계입니다. 자세한 테스트 결과를 확인하려면 교육 작업을 선택하고 선택할 수 있습니다. 테스트 결과보기 모델이 잘못 레이블을 지정한 이미지를 평가합니다. 테스트 데이터에 대한 모델 성능을 평가하면 잠재적인 레이블 지정 또는 데이터 원본 관련 문제를 식별하는 데 도움이 될 수 있습니다. 예를 들어, 다음 테스트 이미지는 옥상의 가양성 라벨링의 예를 보여줍니다.

앞의 이미지에서 확인할 수 있듯이 식별된 옥상은 정확합니다. 해당 건물에 지어진 더 작은 집의 옥상입니다. 소스 이미지 이름을 기반으로 데이터 세트로 돌아가서 레이블을 확인할 수 있습니다. Amazon Rekognition 콘솔을 통해 이 작업을 수행할 수 있습니다. 다음 스크린샷에서 소스 이미지의 레이블이 올바르게 지정되지 않았음을 확인할 수 있습니다. 라벨러는 옥상에 라벨을 붙이지 않았습니다.

레이블 지정 문제를 수정하기 위해 Ground Truth 작업을 다시 실행하거나 전체 데이터 세트에서 조정 작업을 실행할 필요가 없습니다. Rekognition Custom Labels 콘솔을 통해 개별 이미지를 쉽게 확인하거나 조정할 수 있습니다.

1. 데이터세트 페이지에서 다음을 선택합니다. 라벨링 시작.
   
2. 조정이 필요한 이미지 파일을 선택하고 경계 상자 그리기.
   

라벨링 페이지에서 이 이미지의 경계 상자를 그리거나 업데이트할 수 있습니다.

3. 작은 건물 주위에 경계 상자를 그리고 옥상으로 레이블을 지정합니다.
   
4. 왼쪽 메뉴에서 선택한다 변경 사항을 저장하거나 다음 보기 or 이전 보기 조정이 필요한 추가 이미지를 탐색합니다.

경우에 따라 모델이 올바르게 식별하지 못한 지붕의 예와 함께 더 많은 이미지를 제공해야 할 수도 있습니다. 더 많은 이미지를 수집하고, 레이블을 지정하고, 모델이 지붕 및 태양 전지판의 특수한 경우를 학습할 수 있도록 모델을 다시 학습시킬 수 있습니다.

교육 데이터 세트에 더 많은 교육 이미지를 추가하려면 추가된 이미지 수가 많고 이미지에 레이블을 지정하기 위해 레이블 지정 인력 팀을 만들어야 하는 경우 다른 Ground Truth 작업을 만들 수 있습니다. 레이블 지정 작업이 완료되면 새로 추가된 이미지에 대한 경계 상자 정보가 포함된 새 매니페스트 파일을 얻습니다. 그런 다음 새로 추가된 이미지의 매니페스트 파일을 기존 매니페스트 파일에 수동으로 병합해야 합니다. 결합된 매니페스트 파일을 사용하여 Rekognition Custom Labels 콘솔에서 새 교육 데이터 세트를 만들고 보다 강력한 모델을 교육합니다.

또 다른 옵션은 새 이미지의 수가 많지 않고 한 사람이 Amazon Rekognition 콘솔에서 레이블 지정 작업을 완료하기에 충분한 경우 현재 교육 데이터 세트에 직접 이미지를 추가하는 것입니다. 이 프로젝트에서는 원본 훈련 데이터 세트에 다른 30개의 이미지를 직접 추가하고 콘솔에서 레이블링을 수행합니다.

레이블 검증을 완료하고 다양한 옥상 및 패널 유형의 이미지를 더 추가한 후 동일한 테스트 데이터 세트에서 평가하는 190개의 훈련 이미지로 훈련된 두 번째 모델을 갖게 됩니다. 훈련된 모델의 두 번째 버전은 F1 점수 0.964를 달성했으며 이는 이전 점수 0.934에서 개선된 것입니다. 비즈니스 요구 사항에 따라 모델을 추가로 미세 조정할 수 있습니다.

Rekognition Custom Labels API를 사용하여 모델 배포 및 이미지 분석

이제 만족스러운 평가 결과를 가진 모델을 학습했으므로 모델 배포 실시간 추론을 위해 끝점에 연결합니다. 이 배포된 모델에서 Amazon Rekognition API를 통해 Python 코드를 사용하여 몇 가지 이미지를 분석합니다. 모델을 시작하면 상태가 Running으로 표시됩니다.

이제 모델이 새 위성 이미지의 레이블을 감지할 준비가 되었습니다. 제공된 샘플 Python API 코드를 실행하여 모델을 테스트할 수 있습니다. 모델 페이지에서 다음을 선택합니다. API 코드.

선택 Python 샘플 코드를 검토하여 모델을 시작하고, 이미지를 분석하고, 모델을 중지합니다.

에서 Python 코드를 복사합니다. 이미지 분석 섹션을 랩톱에서 실행할 수 있는 Jupyter 노트북에 넣습니다.

코드를 실행할 환경을 설정하려면 사용하려는 AWS SDK를 설치하고 AWS 리소스에 액세스할 수 있는 보안 자격 증명을 구성해야 합니다. 지침은 다음을 참조하십시오. AWS CLI 및 AWS SDK를 설정합니다.

테스트 이미지를 S3 버킷에 업로드합니다. 에서 이미지 분석 Python 코드에서 MY_BUCKET 변수를 테스트 이미지가 있는 버킷 이름으로 대체하고 MY_IMAGE_KEY를 테스트 이미지의 파일 이름으로 대체합니다.

다음 스크린샷은 Python 코드 실행의 샘플 응답을 보여줍니다.

다음 출력 이미지는 모델이 옥상, 옥상 패널 및 패널의 세 가지 레이블을 성공적으로 감지했음을 보여줍니다.

정리

테스트 후 모델을 실행하는 데 불필요한 비용이 발생하지 않도록 모델을 중지할 수 있습니다.

결론

이 게시물에서는 Rekognition Custom Labels로 맞춤형 컴퓨터 비전 모델을 구축하여 위성 이미지에서 지붕과 태양 전지판을 감지하는 방법을 보여 드렸습니다. Rekognition Custom Labels가 배후에서 딥 러닝 복잡성을 처리하여 모델 교육을 관리하는 방법을 시연했습니다. 또한 Ground Truth를 사용하여 대규모 훈련 이미지에 레이블을 지정하는 방법을 시연했습니다. 또한, 즉시 이미지 레이블을 수정하고 데이터 세트로 모델을 재학습하여 모델 정확도를 개선하는 메커니즘에 대해 논의했습니다. 전력 회사는 이 솔루션을 사용하여 태양광 패널이 없는 주택을 감지하여 제안 및 프로모션을 보내 효율적인 타겟 마케팅을 달성할 수 있습니다.

Rekognition Custom Labels가 귀하의 비즈니스에 어떻게 도움이 되는지 자세히 알아보려면 다음을 방문하십시오. Amazon Rekognition 사용자 지정 레이블 or AWS 영업팀에 문의.

저자에 관하여

멜라니 리 호주 시드니에 본사를 둔 AWS의 수석 AI/ML 전문가 TAM입니다. 그녀는 엔터프라이즈 고객이 AWS에서 최첨단 AI/ML 도구를 활용하는 솔루션을 구축하도록 돕고 모범 사례를 통해 기계 학습 솔루션을 설계하고 구현하는 방법에 대한 지침을 제공합니다. 여가 시간에는 야외에서 자연을 탐험하고 가족 및 친구들과 시간을 보내는 것을 좋아합니다.

산토시 쿨카르니 Amazon Web Services의 솔루션 아키텍트입니다. 그는 기업 고객과 긴밀하게 협력하여 클라우드 여정을 가속화합니다. 그는 또한 기계 학습, 빅 데이터 및 소프트웨어 개발에 대한 지식을 사용하여 비즈니스 문제를 해결하기 위해 대규모 분산 응용 프로그램을 구축하는 데 열정을 가지고 있습니다.

바이촨 선 박사 AWS AI/ML의 선임 데이터 과학자입니다. 그는 클라우드에서 데이터 기반 방법론을 사용하여 고객과의 전략적 비즈니스 문제를 해결하는 데 열정적이며 로봇 공학 컴퓨터 비전, 시계열 예측, 가격 최적화, 예측 유지 보수, 의약품 개발, 제품 추천 시스템, 등. 여가 시간에는 여행과 가족과 어울리는 것을 즐깁니다.