Amazon Titan görüntü oluşturucu G1 üzerinden erişilebilen son teknoloji ürünü bir metinden resme modelidir. Amazon Ana Kayası, çeşitli bağlamlarda birden fazla nesneyi tanımlayan istemleri anlayabiliyor ve bu ilgili ayrıntıları ürettiği görüntülerde yakalıyor. ABD Doğu (K. Virginia) ve ABD Batı (Oregon) AWS Bölgelerinde mevcuttur ve akıllı kırpma, iç boyama ve arka plan değişiklikleri gibi gelişmiş görüntü düzenleme görevlerini gerçekleştirebilir. Ancak kullanıcılar, modeli, modelin önceden eğitilmediği özel veri kümelerindeki benzersiz özelliklere uyarlamak ister. Özel veri kümeleri, marka yönergelerinizle veya önceki bir kampanya gibi belirli stillerle tutarlı, yüksek düzeyde özel veriler içerebilir. Bu kullanım örneklerini ele almak ve tamamen kişiselleştirilmiş görüntüler oluşturmak için Amazon Titan Image Generator'da kendi verilerinizle ince ayar yapabilirsiniz. Amazon Bedrock için özel modeller.

Görüntü oluşturmaktan düzenlemeye kadar metinden görüntüye modellerin endüstriler genelinde geniş uygulamaları vardır. Çalışanların yaratıcılığını geliştirebilir ve yalnızca metinsel açıklamalarla yeni olasılıkları hayal etme yeteneğini sağlayabilirler. Örneğin, mimarlar için tasarım ve kat planlamasına yardımcı olabilir ve çeşitli tasarımları manuel olarak oluşturma işlemine gerek kalmadan görselleştirme yeteneği sağlayarak daha hızlı inovasyona olanak sağlayabilir. Benzer şekilde, grafik ve illüstrasyonların oluşturulmasını kolaylaştırarak üretim, perakendede moda tasarımı ve oyun tasarımı gibi çeşitli sektörlerde tasarıma yardımcı olabilir. Metinden resme modeller, medya ve eğlence kullanım durumlarında kişiselleştirilmiş reklamların yanı sıra etkileşimli ve sürükleyici görsel sohbet robotlarına da izin vererek müşteri deneyiminizi geliştirir.

Bu yazıda, iki yeni kategoriyi öğrenmek için Amazon Titan Image Generator modeline ince ayar yapma sürecinde size rehberlik edeceğiz: En sevdiğimiz evcil hayvanlarımız olan köpek Ron ve kedi Smila. Verilerinizi model ince ayar görevi için nasıl hazırlayacağınızı ve Amazon Bedrock'ta bir model özelleştirme işinin nasıl oluşturulacağını tartışıyoruz. Son olarak, ince ayarlı modelinizi nasıl test edeceğinizi ve dağıtacağınızı gösteriyoruz. Tedarik Edilen Performans.

Köpek Ron	Kedi Smila

Bir işe ince ayar yapmadan önce model yeteneklerini değerlendirme

Temel modeller büyük miktarda veri üzerinde eğitilir, dolayısıyla modelinizin kutudan çıktığı anda yeterince iyi çalışması mümkündür. Bu nedenle, kullanım durumunuz için modelinize gerçekten ince ayar yapmanız gerekip gerekmediğini veya hızlı mühendisliğin yeterli olup olmadığını kontrol etmek iyi bir uygulamadır. Aşağıdaki ekran görüntülerinde gösterildiği gibi, temel Amazon Titan Image Generator modeliyle köpek Ron ve kedi Smila'nın bazı görüntülerini oluşturmaya çalışalım.

Beklendiği gibi, kullanıma hazır model henüz Ron ve Smila'yı tanımıyor ve oluşturulan çıktılar farklı köpek ve kedileri gösteriyor. Biraz hızlı mühendislikle, en sevdiğimiz evcil hayvanlarımızın görünümüne daha da yaklaşmak için daha fazla ayrıntı sağlayabiliriz.

Oluşturulan görseller Ron ve Smila'ya daha çok benzese de modelin bunların tam benzerini üretemediğini görüyoruz. Tutarlı, kişiselleştirilmiş çıktılar elde etmek için şimdi Ron ve Smila'nın fotoğraflarıyla ince ayar işine başlayalım.

Amazon Titan Image Generator'da ince ayar yapma

Amazon Bedrock, Amazon Titan Image Generator modelinizde ince ayar yapmanız için size sunucusuz bir deneyim sunar. Yalnızca verilerinizi hazırlamanız ve hiperparametrelerinizi seçmeniz yeterlidir; AWS, bu ağır yükü sizin yerinize halleder.

İnce ayar yapmak için Amazon Titan Image Generator modelini kullandığınızda, AWS'nin sahibi olduğu ve yönettiği AWS model geliştirme hesabında bu modelin bir kopyası oluşturulur ve bir model özelleştirme işi oluşturulur. Bu iş daha sonra bir VPC'den ince ayar verilerine erişir ve Amazon Titan modelinin ağırlıkları güncellenir. Yeni model daha sonra bir Amazon Basit Depolama Hizmeti (Amazon S3) önceden eğitilmiş modelle aynı model geliştirme hesabında bulunur. Artık yalnızca sizin hesabınız tarafından çıkarım amacıyla kullanılabilir ve başka hiçbir AWS hesabıyla paylaşılmaz. Çıkarım çalıştırırken bu modele bir aracılığıyla erişirsiniz. tedarik edilen kapasite hesaplaması veya doğrudan kullanarak Amazon Bedrock için toplu çıkarım. Seçilen çıkarım yönteminden bağımsız olarak verileriniz hesabınızda kalır ve AWS'ye ait herhangi bir hesaba kopyalanmaz veya Amazon Titan Image Generator modelini geliştirmek için kullanılmaz.

Aşağıdaki şemada bu iş akışı gösterilmektedir.

Veri gizliliği ve ağ güvenliği

İstemler ve özel modeller de dahil olmak üzere ince ayar için kullanılan verileriniz AWS hesabınızda gizli kalır. Model eğitimi veya hizmet iyileştirmeleri için paylaşılmaz veya kullanılmaz ve üçüncü taraf model sağlayıcılarla paylaşılmaz. İnce ayar için kullanılan tüm veriler aktarım sırasında ve beklemedeyken şifrelenir. Veriler, API çağrısının işlendiği Bölgede kalır. Ayrıca kullanabilirsin AWS Özel Bağlantı verilerinizin bulunduğu AWS hesabı ile VPC arasında özel bir bağlantı oluşturmak için.

Veri Hazırlama

Bir model özelleştirme işi oluşturmadan önce şunları yapmanız gerekir: eğitim veri kümenizi hazırlayın. Eğitim veri kümenizin formatı, oluşturduğunuz özelleştirme işinin türüne (ince ayar veya sürekli ön eğitim) ve verilerinizin yöntemine (metinden metne, metinden görüntüye veya görüntüden görüntüye) bağlıdır. gömme). Amazon Titan Image Generator modeli için, ince ayar için kullanmak istediğiniz görselleri ve her görsel için bir başlık sağlamanız gerekir. Amazon Bedrock, görsellerinizin Amazon S3'te saklanmasını ve görsel ve altyazı çiftlerinin birden fazla JSON satırıyla JSONL formatında sağlanmasını bekler.

Her JSON satırı, bir görüntü referansı, bir görüntünün S3 URI'si ve görüntü için metin istemi içeren bir başlık içeren bir örnektir. Resimleriniz JPEG veya PNG formatında olmalıdır. Aşağıdaki kod formatın bir örneğini gösterir:

{"image-ref": "s3://bucket/path/to/image001.png", "caption": ""} {"image-ref": "s3://bucket/path/to/image002.png", "caption": ""} {"image-ref": "s3://bucket/path/to/image003.png", "caption": ""}

“Ron” ve “Smila”, bir kişinin adı gibi başka bağlamlarda da kullanılabilecek isimler olduğundan, modelimize ince ayar yapmak için istemi oluştururken “Köpek Ron” ve “Kedi Smila” tanımlayıcılarını ekliyoruz. . İş akışında ince ayar yapılması için bir gereklilik olmamasına rağmen, bu ek bilgi, model yeni sınıflar için özelleştirildiğinde bağlamsal olarak daha fazla netlik sağlar ve "Köpek Ron" ile Ron ve "Köpek Ron" ifadesinin karıştırılmasını önler. Kedi Smila” Ukrayna'daki Smila şehriyle birlikte. Bu mantığı kullanarak aşağıdaki resimler eğitim veri setimizin bir örneğini göstermektedir.

Beyaz köpek yatağında yatan köpek Ron	Fayans zeminde oturan köpek Ron	Araba koltuğunda yatan köpek Ron

Kanepede yatan kedi Smila	Kanepede yatan kameraya bakan kedi Smila	Evcil hayvan taşıma çantasında yatan kedi Smila

Verilerimizi özelleştirme işinin beklediği formata dönüştürürken aşağıdaki örnek yapıyı elde ediyoruz:

{"resim-ref": "/ron_01.jpg", "caption": "Beyaz köpek yatağında yatan köpek Ron"} {"image-ref": "/ron_02.jpg", "caption": "Karo zeminde oturan köpek Ron"} {"image-ref": "/ron_03.jpg", "caption": "Araba koltuğunda yatan köpek Ron"} {"image-ref": "/smila_01.jpg", "caption": "Kanepede yatan kediyi gülümseyin"} {"image-ref": "/smila_02.jpg", "caption": "Pencerenin yanında, kedi heykelinin yanında oturan kediyi gülümseyin"} {"image-ref": "/smila_03.jpg", "caption": "Evcil hayvan taşıma çantasında yatan kediyi gülümseyin"}

JSONL dosyamızı oluşturduktan sonra özelleştirme işimize başlamak için onu bir S3 klasöründe saklamamız gerekiyor. Amazon Titan Image Generator G1 ince ayar işleri 5-10,000 görüntüyle çalışacaktır. Bu yazıda tartışılan örnek için 60 görsel kullanıyoruz: 30'u köpek Ron ve 30'u kedi Smila. Genel olarak, öğrenmeye çalıştığınız stil veya sınıfın daha fazla çeşidini sağlamak, ince ayarlı modelinizin doğruluğunu artıracaktır. Ancak ince ayar için ne kadar çok görüntü kullanırsanız ince ayar işinin tamamlanması için o kadar fazla zaman gerekecektir. Kullanılan görsellerin sayısı aynı zamanda ince ayarlı işinizin fiyatını da etkiler. Bakınız Amazon Bedrock Fiyatlandırması daha fazla bilgi için.

Amazon Titan Image Generator'da ince ayar yapma

Artık eğitim verilerimiz hazır olduğuna göre yeni bir özelleştirme işine başlayabiliriz. Bu işlem hem Amazon Bedrock konsolu hem de API'ler aracılığıyla yapılabilir. Amazon Bedrock konsolunu kullanmak için aşağıdaki adımları tamamlayın:

1. Amazon Bedrock konsolunda şunu seçin: Özel modeller Gezinti bölmesinde.
2. Üzerinde Modeli özelleştir menü seç İnce ayar işi oluşturun.
3. İçin İnce ayarlı model adı, yeni modeliniz için bir ad girin.
4. İçin İş yapılandırması, eğitim işi için bir ad girin.
5. İçin Veri girişi, giriş verilerinin S3 yolunu girin.
   
6. içinde Hiperparametreler bölümünde aşağıdakiler için değerler sağlayın:
   1. Adım sayısı – Modelin her partiye maruz kalma sayısı.
   2. Parti boyutu – Model parametreleri güncellenmeden önce işlenen numunelerin sayısı.
   3. Öğrenme oranı – Her gruptan sonra model parametrelerinin güncellenme hızı. Bu parametrelerin seçimi belirli bir veri kümesine bağlıdır. Genel bir kılavuz olarak toplu iş boyutunu 8'e, öğrenme oranını 1e-5'e sabitleyerek başlamanızı ve aşağıdaki tabloda ayrıntılı olarak açıklandığı gibi adım sayısını kullanılan görüntü sayısına göre ayarlamanızı öneririz.

İnce ayar işinizin sonuçları tatmin edici değilse, oluşturulan görüntülerde herhangi bir stil belirtisi görmüyorsanız adım sayısını artırmayı, oluşturulan görüntülerde stil gözlemliyorsanız ancak adım sayısını azaltmayı düşünün. eserler veya bulanıklık ile. İnce ayarlı model, 40,000 adımdan sonra bile veri kümenizdeki benzersiz stili öğrenemezse toplu iş boyutunu veya öğrenme oranını artırmayı düşünün.

7. içinde Çıktı verileri bölümünde, periyodik olarak kaydedilen doğrulama kaybı ve doğruluk ölçümleri de dahil olmak üzere doğrulama çıktılarının saklandığı S3 çıkış yolunu girin.
8. içinde Servis erişimi bölümünde yeni bir tane oluştur AWS Kimlik ve Erişim Yönetimi (IAM) rolünü seçin veya S3 klasörlerinize erişmek için gerekli izinlere sahip mevcut bir IAM rolünü seçin.

Bu yetkilendirme, Amazon Bedrock'un belirlenen klasörünüzden giriş ve doğrulama veri kümelerini almasına ve doğrulama çıktılarını sorunsuz bir şekilde S3 klasörünüzde saklamasına olanak tanır.

9. Klinik Modele ince ayar yapın.
   

Doğru yapılandırmalar ayarlandığında Amazon Bedrock artık özel modelinizi eğitecek.

Tedarik Edilen Verim ile ince ayarlı Amazon Titan Image Generator'ı dağıtın

Özel model oluşturduktan sonra Tedarik Edilen Performans, özel modele önceden belirlenmiş, sabit oranlı bir işleme kapasitesi ayırmanıza olanak tanır. Bu tahsis, iş yüklerini işlemek için tutarlı bir düzeyde performans ve kapasite sağlar ve bu da üretim iş yüklerinde daha iyi performans sağlar. Tedarik Edilen Performansın ikinci avantajı maliyet kontrolüdür çünkü isteğe bağlı çıkarım moduyla standart jeton tabanlı fiyatlandırmanın büyük ölçeklerde tahmin edilmesi zor olabilir.

Modelinizin ince ayarı tamamlandığında bu model ekranda görünecektir. Özel modeller Amazon Bedrock konsolundaki sayfa.

Tedarik Edilen Performansı satın almak için ince ayarını yaptığınız özel modeli seçin ve Satın Alma Tedarik Edilen Performans.

Bu, Tedarik Edilen Performansı satın almak istediğiniz seçilen modeli önceden doldurur. İnce ayarlı modelinizi dağıtımdan önce test etmek için model birimlerini 1 değerine ayarlayın ve taahhüt süresini şu şekilde ayarlayın: taahhüt yok. Bu, modellerinizi özel istemlerinizle hızlı bir şekilde test etmeye başlamanıza ve eğitimin yeterli olup olmadığını kontrol etmenize olanak tanır. Ayrıca, yeni ince ayarlı modeller ve yeni sürümler mevcut olduğunda, aynı modelin diğer sürümleriyle güncellediğiniz sürece Tedarik Edilen Performansı güncelleyebilirsiniz.

İnce ayar sonuçları

Modeli köpek Ron ve kedi Smila'ya göre özelleştirme görevimiz için deneyler, en iyi hiperparametrelerin parti büyüklüğü 5,000 ve öğrenme oranı 8e-1 olan 5 adım olduğunu gösterdi.

Aşağıda özelleştirilmiş model tarafından oluşturulan görsellerin bazı örnekleri verilmiştir.

Süper kahraman pelerini giyen köpek Ron	Aydaki köpek Ron	Köpeği güneş gözlüğüyle yüzme havuzunda Ron

Kardaki kedi Smila	Kameraya bakan siyah beyazlı kedi Smila	Noel şapkası takan kedi Smila

Sonuç

Bu yazıda, daha kaliteli görüntü oluşturmak için istemlerinizi tasarlamak yerine ne zaman ince ayar kullanmanız gerektiğini tartıştık. Amazon Titan Image Generator modeline nasıl ince ayar yapacağımızı ve özel modeli Amazon Bedrock'ta nasıl dağıtacağımızı gösterdik. Ayrıca verilerinizi ince ayar için nasıl hazırlayacağınıza ve daha doğru model özelleştirmesi için en uygun hiper parametreleri nasıl ayarlayacağınıza ilişkin genel yönergeler de sağladık.

Bir sonraki adım olarak aşağıdakileri uyarlayabilirsiniz örnek Amazon Titan Image Generator'ı kullanarak son derece kişiselleştirilmiş görüntüler oluşturmak için kullanım senaryonuza.

Yazarlar Hakkında

Maira Ladeira Tankı AWS'de Kıdemli Üretken Yapay Zeka Veri Bilimcisidir. Makine öğrenimi alanında geçmişi olan kendisi, farklı sektörlerdeki müşterilerle yapay zeka uygulamaları tasarlama ve oluşturma konusunda 10 yıldan fazla deneyime sahiptir. Teknik lider olarak müşterilerin Amazon Bedrock'taki üretken yapay zeka çözümleri aracılığıyla iş değerlerine ulaşmalarını hızlandırmalarına yardımcı oluyor. Maira boş zamanlarında seyahat etmekten, kedisi Smila ile oynamaktan ve ailesiyle sıcak bir yerde vakit geçirmekten hoşlanıyor.

Dani Mitchell Amazon Web Services'te AI/ML Uzman Çözüm Mimarıdır. Kendisi bilgisayarlı görüntü kullanım senaryolarına ve EMEA genelindeki müşterilerin makine öğrenimi yolculuklarını hızlandırmalarına yardımcı olmaya odaklanmıştır.

Bharathi Srinivasan Amazon Bedrock'ta harika şeyler oluşturmayı sevdiği AWS Profesyonel Hizmetler'de Veri Bilimcisidir. Sorumlu yapay zekaya odaklanarak makine öğrenimi uygulamalarından iş değerini artırma konusunda tutkulu. Müşteriler için yeni yapay zeka deneyimleri oluşturmanın dışında Bharathi, bilim kurgu yazmayı ve dayanıklılık sporlarıyla kendine meydan okumayı seviyor.

Achin Jain Amazon Yapay Genel Zeka (AGI) ekibinde Uygulamalı Bilim Adamıdır. Metinden görüntüye modellerde uzmanlığa sahiptir ve Amazon Titan Image Generator'ı oluşturmaya odaklanmıştır.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/fine-tune-your-amazon-titan-image-generator-g1-model-using-amazon-bedrock-model-customization/