简介
借助 Amazon Rekognition 自定义标签，您可以识别图像中特定于您的业务需求的对象和场景。例如，您可以在社交媒体文章中查找您的徽标，在商店货架上识别您的产品，在装配线上对机器部件进行分类，区分运行状况良好的工厂和受感染的工厂，或在视频中检测动画角色。
开发用于分析图像的自定义模型是一项繁重工作，需要时间、专业知识和资源，并且通常需要几个月才能完成。另外，通常需要数千或数万张已人工标记的图像才能为模型提供足够的数据以便准确地做出决策。生成这些数据可能需要花费数月的时间，并且需要庞大的标记团队来进行数据准备，以便将数据用于机器学习。
Amazon Rekognition 自定义标签可以为您处理繁重工作。Rekognition 自定义标签基于 Rekognition 的现有功能构建，这些功能已使用涵盖多种类别的数千万张图像进行了训练。您只需将一小组特定于您的使用案例的训练图像（通常最多只需要几百张图像）上传到我们易于使用的控制台中，无需上传数千张图像。如果您的图像已进行过标记处理，那么只需单击几下即可开始 Rekognition 训练。如果没有进行过标记处理，您可以在 Rekognition 的标记界面中直接为图像添加标签，或者使用 Amazon SageMaker Ground Truth 为图像添加标签。Rekognition 使用您的图像集开始训练后，可以在短短数小时内为您生成自定义图像分析模型。Rekognition 自定义标签会在后台自动加载并检查训练数据，选择适当的机器学习算法，训练模型并提供模型性能指标。然后，您可以通过 Rekognition 自定义标签 API 使用自定义模型，并将其集成到您的应用程序中。
使用案例
准确衡量品牌覆盖率
市场营销机构需要对其客户在各种媒体上的品牌覆盖率做出准确报告。通常，这些机构用人工方式在社交媒体图像、电视节目和体育视频中跟踪客户的徽标和产品出现的次数。借助 Amazon Rekognition 自定义标签，这些机构可以创建经过专门训练的自定义模型，用于检测其客户的徽标和产品。机构可以通过自定义模型处理图像和视频帧并统计出现次数，不必再费力地尝试用人工方式跟踪传统媒体和社交媒体。
发现有待联合的内容
内容制作者通常需要搜索成千上万的图像和视频才能找到制作节目所需的相关内容。例如，体育电视节目公司经常需要为其附属公司汇总有关比赛、球队和球员的精彩影片，而用人工方式从存档中完成资料汇总可能需要花费数小时。通过训练自定义模型，可以实现根据球衣和号码识别球队和球员，并识别常见的比赛事件（例如进球、罚球和受伤），如此一来，公司可以快速获得与影片主题相匹配的图像和视频片段列表。
提高运营效率
农业公司需要在包装产品之前对产品质量进行评估。例如，番茄生产商需要根据成熟度人工将番茄分成 6 组（成熟为绿色，不成熟为红色），并相应地进行分组包装，从而确保尽可能延长上架时间。通过训练自定义模型以根据成熟度标准对西红柿进行分类，生产商不用再对每个西红柿进行人工检查。通过将模型与生产商制造系统相集成，生产商可以自动对西红柿进行分类并据此进行包装。
主要功能
简化数据标注工作
Rekognition 自定义标签控制台提供直观的操作界面，上手简单，方便您快速进行图像标记。在界面中，您可以将标签应用于整个图像；或者可以通过简单的单击和拖拽界面，使用边界框来识别和标记图像中的特定对象。
或者，如果您有大型数据集，可以使用 Amazon SageMaker Ground Truth 实现规模化高效标记。
自动化的机器学习
无需任何机器学习专业知识即可构建您的自定义模型。Rekognitione 自定义标签的 AutoML 功能可为您训练机器学习模型。提供训练图像后，Rekognition 自定义标签可以自动加载并检查数据，选择适当的机器学习算法，训练模型并提供模型性能指标。
简化的模型评估、推理和反馈
利用测试集评估您的自定义模型的性能。对于测试集中的每张图像，您可以看到模型预测结果与实际分配的标签的并排比较结果。您还可以查看详细的性能指标，例如精度/召回指标、F 得分和置信度得分。您可以立即使用模型进行图像分析，也可以使用更多图像进行迭代并重新训练新版本，从而提高模型性能。开始使用模型后，您可以跟踪预测、更正错误，以及使用反馈数据重新训练新的模型版本并提高性能。
客户成功案例
创建联合内容
“在如今的媒体领域，组织管理的非结构化内容量呈指数级增长。使用传统的工具，用户可能很难在数以千计的媒体资产中搜索以找到自己所寻求的特定元素。利用 Amazon Rekognition 的新功能（自定义标签），我们能够根据业务的特定使用案例自动生成元数据标签，并为我们的内容创建团队提供可搜索的分面。这极大地提高了我们搜索内容的速度，更重要的是，它使我们能够自动标记以前需要手动操作的元素。借助这些工具，我们的生产团队能够直接利用这类数据，并在我们所有的媒体平台上向我们的客户提供增强的产品。”
Brad Boim，NFL Media 后期制作和资产管理高级总监
提升市场营销效果
“通过引入 Amazon Rekognition 自定义标签，我们的 Agile Creative Studio 为营销人员提供了高级功能，使他们能够在几分钟内完成对其在广告中关注的特定产品（自定义标签）的大规模构建和训练。过去，通过使用 VidMob 与 Amazon Rekognition 的集成，客户可以识别常见的对象。现在，自定义标签的新功能能够让我们的平台为每个公司提供更有针对性的服务。此举将广告创意效果提高了 150% 并节省了 30% 的‘人类分析师’时间，并将会自适应地扩展客户使用 VidMob 的 Agile Creative Studio 衡量广告创意效果的能力。”
VidMob 首席执行官 Alex Collmer
检测商店收据中的异常
Prodege 是一个数据驱动型营销和消费者洞察平台，由消费品牌（Swagbucks、MyPoints、Tada、ySense、InboxDollars、InboxPounds、DailyRewards 和 Upromise）以及面向营销人员和研究人员的免费商业解决方案套件组成。
“Prodege 使用 Amazon Rekognition 自定义标签来检测商店收据中的异常情况。通过使用 Amazon Rekognition 自定义标签，Prodege 能够在我们尊贵的会员上载的商店收据图像中以高精度检测异常，作为我们奖励计划产品的一部分。Amazon Rekognition 自定义标签最棒的特性在于它易于设置，并且只需要一组小型的预先分类图像（我们是用了几百张）来训练 ML 模型以进行高置信度图像检测。可以使用 API 轻松访问模型的端点。Amazon Rekognition 自定义标签是一种极其有效的解决方案，可让我们经过验证的收据扫描产品顺利运行，并帮助我们节省了执行手动检测的大量时间和资源。我还必须感谢 AWS Support 团队，他们在整个旅程中一直在产品的各个方面尽力为我们提供帮助。”
Arun Gupta，Prodege, LLC 业务情报总监