As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Como treinar um modelo do Amazon Rekognition Custom Labels É possível treinar um modelo usando o console do Amazon Rekognition Custom Labels ou pela API Amazon Rekognition Custom Labels. Se o treinamento do modelo falhar, use as informações em [Como depurar um treinamento de modelo em falha](tm-debugging.md) para encontrar a causa da falha. **nota** Há uma cobrança pelo tempo necessário para treinar um modelo com êxito. Normalmente, o treinamento leva de 30 minutos a 24 horas para ser concluído. Para obter mais informações, consulte [Horas de treinamento](https://aws.amazon.com/rekognition/pricing/#Amazon_Rekognition_Custom_Labels_pricing). Uma nova versão de um modelo é criada toda vez que ele é treinado. O Amazon Rekognition Custom Labels cria um nome para o modelo que é uma combinação do nome do projeto e do timestamp de quando o modelo foi criado. Para treinar seu modelo, o Amazon Rekognition Custom Labels faz uma cópia das imagens originais de treinamento e teste. Por padrão, as imagens copiadas são criptografadas em repouso com uma chave que a AWS possui e gerencia. Também é possível optar por usar a sua própria AWS KMS key. Se usa sua própria chave do KMS, precisará das permissões a seguir na chave do KMS. + kms:CreateGrant + kms:DescribeKey Para obter mais informações, consulte [Conceitos do AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#master_keys). Suas imagens de origem não são afetadas. É possível usar a criptografia do lado do servidor (SSE-KMS) para criptografar as imagens de treinamento e teste em seu bucket do Amazon S3, antes de serem copiadas pelo Amazon Rekognition Custom Labels. Para permitir que as etiquetas personalizadas do Amazon Rekognition acessem suas imagens AWS , sua conta precisa das seguintes permissões na chave KMS. + kms:GenerateDataKey + kms:Decrypt Para obter mais informações, consulte [Como proteger dados usando criptografia do lado do servidor com chaves KMS armazenadas no AWS Key Management Service (SSE-KMS)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingKMSEncryption.html). Depois de treinar um modelo, é possível avaliar seu desempenho e fazer melhorias. Para obter mais informações, consulte [Como melhorar um modelo treinado do Amazon Rekognition Custom Labels](improving-model.md). Para outras tarefas do modelo, como atribuir tag a um modelo, consulte [Como gerenciar um modelo do Amazon Rekognition Custom Labels](managing-model.md). **Topics** + [Como treinar um modelo (console)](#tm-console) + [Treinando um modelo (SDK)](#tm-sdk) ## Como treinar um modelo (console) É possível usar o console do Amazon Rekognition Custom Labels para treinar um modelo. O treinamento requer um conjunto de dados de treinamento e um conjunto de dados de teste. Se seu projeto não tiver um conjunto de dados de teste, o console do Amazon Rekognition Custom Labels divide o conjunto de dados de treinamento durante o treinamento para criar um para seu projeto. As imagens escolhidas são uma amostra representativa e não são usadas no conjunto de dados de treinamento. É recomendável dividir seu conjunto de dados de treinamento somente se não tiver um conjunto de dados de teste alternativo que possa usar. A divisão de um conjunto de dados de treinamento reduz o número de imagens disponíveis para treinamento. **nota** Há uma cobrança pelo tempo necessário para treinar um modelo. Para obter mais informações, consulte [Horas de treinamento](https://aws.amazon.com/rekognition/pricing/#Amazon_Rekognition_Custom_Labels_pricing). **Para treinar seu modelo (console)** 1. Abra o console do Amazon Rekognition em. [https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/) 1. Escolha **Usar rótulos personalizados**. 1. No painel de navegação esquerdo, selecione **Projetos**. 1. Na página **Projetos**, escolha o projeto que contém o modelo que deseja treinar. 1. Na página **Projeto**, escolha **Treinar modelo**. ![\[Botão “Treinar modelo” para treinar um modelo de machine learning no conjunto de dados do projeto atual.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/tutorial-train-model.jpg) 1. (Opcional) Se você quiser usar sua própria chave de criptografia do AWS KMS, faça o seguinte: 1. Em **Criptografia de dados de imagem**, escolha **Personalizar configurações de criptografia (avançado)**. 1. Em **encryption.aws\$1kms\$1key**, insira o nome do recurso da Amazon (ARN) da sua chave ou escolha uma chave do AWS KMS existente. Para criar uma nova chave, escolha **Criar uma chave do AWS IMS**. 1. (Opcional) se quiser adicionar tags ao seu modelo, faça o seguinte: 1. Na seção **Tags**, escolha **Adicionar nova tag**. 1. Insira o seguinte: 1. O nome da chave em **Chave**. 1. O valor da chave em **Valor**. 1. Para adicionar mais tags, repita as etapas 6a e 6b. 1. (Opcional) Se deseja remover uma tag, selecione **Remover** ao lado da tag que você deseja remover. Se estiver removendo uma tag salva anteriormente, ela será removida quando você salvar suas alterações. 1. Na página **Treinar modelo**, escolha **Treinar modelo**. O nome do recurso da Amazon (ARN) do seu projeto deve estar na caixa de edição **Escolher projeto**. Caso contrário, insira o ARN do seu projeto. ![\[Botão Treinar modelo para começar a treinar um modelo de IA no serviço Amazon Rekognition Custom Labels.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/tutorial-train-model-page-train-model.jpg) 1. Na caixa de diálogo **Você quer treinar seu modelo?**, escolha **Treinar modelo**. ![\[Página de configuração de treinamento do modelo mostrando o botão Treinar modelo.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/tutorial-dialog-train-model.jpg) 1. Na seção **Modelos** da página do projeto, pode verificar o status atual na coluna `Model Status`, onde o treinamento está em andamento. O treinamento de um modelo demora para ser concluído. ![\[Status do modelo mostrando “TRAINING_IN_PROGRESS”, o que indica que o modelo está sendo treinado.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/tutorial-training-progress.jpg) 1. Após a conclusão do treinamento, escolha o nome do modelo. O treinamento é concluído quando o status do modelo for **TRAINING\$1COMPLETED**. Se o treinamento falhar, leia [Como depurar um treinamento de modelo em falha](tm-debugging.md). ![\[Interface mostrando um modelo treinado e o status TRAINING_COMPLETED, indicando que o modelo está pronto para ser executado.\]](http://docs.aws.amazon.com/pt_br/rekognition/latest/customlabels-dg/images/get-started-choose-model.jpg) 1. Próxima etapa: avalie seu modelo. Para obter mais informações, [Como melhorar um modelo treinado do Amazon Rekognition Custom Labels](improving-model.md). ## Treinando um modelo (SDK) Você treina um modelo ligando [CreateProjectVersion](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProjectVersion). Para treinar um modelo, as seguintes informações são necessárias: + Nome: um nome exclusivo para a versão do modelo. + ARN do projeto: o nome do recurso da Amazon (ARN) do projeto que gerencia o modelo. + Local dos resultados do treinamento: o local do Amazon S3 em que os resultados são colocados. É possível usar o mesmo local do bucket do console do Amazon S3 ou escolher um local diferente. A recomendação é escolher um local diferente, pois isso permite a definição de permissões e evitar possíveis conflitos de nomenclatura com os resultados do treinamento do uso do console do Amazon Rekognition Custom Labels. O treinamento usa os conjuntos de dados de treinamento e teste associados ao projeto. Para obter mais informações, consulte [Como gerenciar conjuntos de dados](managing-dataset.md). **nota** Você tem a opção de especificar arquivos de manifesto do conjunto de dados de treinamento e teste que são externos a um projeto. Se abrir o console após treinar um modelo com arquivos de manifesto externos, o Amazon Rekognition Custom Labels criará os conjuntos de dados para você usando o último conjunto de arquivos de manifesto usado para treinamento. Não é mais possível treinar uma versão de modelo para o projeto especificando arquivos de manifesto externos. Para obter mais informações, consulte [CreatePrjectVersion](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProjectVersion). A resposta de `CreateProjectVersion` é um ARN que você usa para identificar a versão do modelo em solicitações subsequentes. Também é possível usar o ARN para proteger a versão do modelo. Para obter mais informações, consulte [Como proteger projetos do Amazon Rekognition Custom Labels](sc-introduction.md#sc-resources). O treinamento de uma versão do modelo demora para ser concluído. Os exemplos em Python e Java neste tópico usam esperadores para aguardar a conclusão do treinamento. Um agentes de espera é um métodos utilitário que sonda um determinado estado para verificar se ele ocorreu em um cliente. Como alternativa, é possível obter o status atual do treinamento ao chamar `DescribeProjectVersions`. O treinamento é concluído quando o valor do campo `Status` for `TRAINING_COMPLETED`. Depois que o treinamento for concluído, será possível avaliar a qualidade do modelo analisando os resultados da avaliação. ### Como treinar um modelo (SDK) O exemplo a seguir mostra como treinar um modelo usando os conjuntos de dados de treinamento e teste associados a um projeto. **Para treinar um modelo (SDK)** 1. Se você ainda não tiver feito isso, instale e configure o AWS CLI e AWS SDKs o. Para obter mais informações, consulte [Etapa 4: configurar o AWS CLI e AWS SDKs](su-awscli-sdk.md). 1. Use o código de exemplo a seguir para treinar um projeto. ------ #### [ AWS CLI ] O exemplo a seguir cria um modelo. O conjunto de dados de treinamento é dividido para criar o conjunto de dados de teste. Substitua o seguinte: + `my_project_arn` com o nome do recurso da Amazon (ARN) do projeto. + `version_name` com um nome exclusivo de versão de sua escolha. + `output_bucket` com o nome do bucket do Amazon S3 no qual o Amazon Rekognition Custom Labels salva os resultados do treinamento. + `output_folder` com o nome da pasta em que os resultados do treinamento são salvos. + (parâmetro opcional) `--kms-key-id` com identificador para sua chave mestra de cliente do AWS Key Management Service. ``` aws rekognition create-project-version \ --project-arn project_arn \ --version-name version_name \ --output-config '{"S3Bucket":"output_bucket", "S3KeyPrefix":"output_folder"}' \ --profile custom-labels-access ``` ------ #### [ Python ] O exemplo a seguir cria um modelo. Forneça os seguintes argumentos de linha de comando: + `project_arn`: o nome do recurso da Amazon (ARN) do projeto. + `version_name`: um nome exclusivo de versão para o modelo de sua escolha. + `output_bucket`: o nome do bucket do Amazon S3 no qual o Amazon Rekognition Custom Labels salva os resultados do treinamento. + `output_folder`: o nome da pasta em que os resultados do treinamento são salvos. Você tem a opção de fornecer os seguintes parâmetros de linha de comando para anexar uma tag ao seu modelo: + `tag`: um nome de tag da sua escolha que você deseja anexar ao modelo. + `tag_value`, o valor da tag. ``` #Copyright 2023 Amazon.com, Inc. or its affiliates. All Rights Reserved. #PDX-License-Identifier: MIT-0 (For details, see https://github.com/awsdocs/amazon-rekognition-custom-labels-developer-guide/blob/master/LICENSE-SAMPLECODE.) import argparse import logging import json import boto3 from botocore.exceptions import ClientError logger = logging.getLogger(__name__) def train_model(rek_client, project_arn, version_name, output_bucket, output_folder, tag_key, tag_key_value): """ Trains an Amazon Rekognition Custom Labels model. :param rek_client: The Amazon Rekognition Custom Labels Boto3 client. :param project_arn: The ARN of the project in which you want to train a model. :param version_name: A version for the model. :param output_bucket: The S3 bucket that hosts training output. :param output_folder: The path for the training output within output_bucket :param tag_key: The name of a tag to attach to the model. Pass None to exclude :param tag_key_value: The value of the tag. Pass None to exclude """ try: #Train the model status="" logger.info("training model version %s for project %s", version_name, project_arn) output_config = json.loads( '{"S3Bucket": "' + output_bucket + '", "S3KeyPrefix": "' + output_folder + '" } ' ) tags={} if tag_key is not None and tag_key_value is not None: tags = json.loads( '{"' + tag_key + '":"' + tag_key_value + '"}' ) response=rek_client.create_project_version( ProjectArn=project_arn, VersionName=version_name, OutputConfig=output_config, Tags=tags ) logger.info("Started training: %s", response['ProjectVersionArn']) # Wait for the project version training to complete. project_version_training_completed_waiter = rek_client.get_waiter('project_version_training_completed') project_version_training_completed_waiter.wait(ProjectArn=project_arn, VersionNames=[version_name]) # Get the completion status. describe_response=rek_client.describe_project_versions(ProjectArn=project_arn, VersionNames=[version_name]) for model in describe_response['ProjectVersionDescriptions']: logger.info("Status: %s", model['Status']) logger.info("Message: %s", model['StatusMessage']) status=model['Status'] logger.info("finished training") return response['ProjectVersionArn'], status except ClientError as err: logger.exception("Couldn't create model: %s", err.response['Error']['Message'] ) raise def add_arguments(parser): """ Adds command line arguments to the parser. :param parser: The command line parser. """ parser.add_argument( "project_arn", help="The ARN of the project in which you want to train a model" ) parser.add_argument( "version_name", help="A version name of your choosing." ) parser.add_argument( "output_bucket", help="The S3 bucket that receives the training results." ) parser.add_argument( "output_folder", help="The folder in the S3 bucket where training results are stored." ) parser.add_argument( "--tag_name", help="The name of a tag to attach to the model", required=False ) parser.add_argument( "--tag_value", help="The value for the tag.", required=False ) def main(): logging.basicConfig(level=logging.INFO, format="%(levelname)s: %(message)s") try: # Get command line arguments. parser = argparse.ArgumentParser(usage=argparse.SUPPRESS) add_arguments(parser) args = parser.parse_args() print(f"Training model version {args.version_name} for project {args.project_arn}") # Train the model. session = boto3.Session(profile_name='custom-labels-access') rekognition_client = session.client("rekognition") model_arn, status=train_model(rekognition_client, args.project_arn, args.version_name, args.output_bucket, args.output_folder, args.tag_name, args.tag_value) print(f"Finished training model: {model_arn}") print(f"Status: {status}") except ClientError as err: logger.exception("Problem training model: %s", err) print(f"Problem training model: {err}") except Exception as err: logger.exception("Problem training model: %s", err) print(f"Problem training model: {err}") if __name__ == "__main__": main() ``` ------ #### [ Java V2 ] O exemplo a seguir treina um modelo. Forneça os seguintes argumentos de linha de comando: + `project_arn`: o nome do recurso da Amazon (ARN) do projeto. + `version_name`: um nome exclusivo de versão para o modelo de sua escolha. + `output_bucket`: o nome do bucket do Amazon S3 no qual o Amazon Rekognition Custom Labels salva os resultados do treinamento. + `output_folder`: o nome da pasta em que os resultados do treinamento são salvos. ``` /* Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved. SPDX-License-Identifier: Apache-2.0 */ package com.example.rekognition; import software.amazon.awssdk.auth.credentials.ProfileCredentialsProvider; import software.amazon.awssdk.core.waiters.WaiterResponse; import software.amazon.awssdk.regions.Region; import software.amazon.awssdk.services.rekognition.RekognitionClient; import software.amazon.awssdk.services.rekognition.model.CreateProjectVersionRequest; import software.amazon.awssdk.services.rekognition.model.CreateProjectVersionResponse; import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsRequest; import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsResponse; import software.amazon.awssdk.services.rekognition.model.OutputConfig; import software.amazon.awssdk.services.rekognition.model.ProjectVersionDescription; import software.amazon.awssdk.services.rekognition.model.RekognitionException; import software.amazon.awssdk.services.rekognition.waiters.RekognitionWaiter; import java.util.Optional; import java.util.logging.Level; import java.util.logging.Logger; public class TrainModel { public static final Logger logger = Logger.getLogger(TrainModel.class.getName()); public static String trainMyModel(RekognitionClient rekClient, String projectArn, String versionName, String outputBucket, String outputFolder) { try { OutputConfig outputConfig = OutputConfig.builder().s3Bucket(outputBucket).s3KeyPrefix(outputFolder).build(); logger.log(Level.INFO, "Training Model for project {0}", projectArn); CreateProjectVersionRequest createProjectVersionRequest = CreateProjectVersionRequest.builder() .projectArn(projectArn).versionName(versionName).outputConfig(outputConfig).build(); CreateProjectVersionResponse response = rekClient.createProjectVersion(createProjectVersionRequest); logger.log(Level.INFO, "Model ARN: {0}", response.projectVersionArn()); logger.log(Level.INFO, "Training model..."); // wait until training completes DescribeProjectVersionsRequest describeProjectVersionsRequest = DescribeProjectVersionsRequest.builder() .versionNames(versionName) .projectArn(projectArn) .build(); RekognitionWaiter waiter = rekClient.waiter(); WaiterResponse waiterResponse = waiter .waitUntilProjectVersionTrainingCompleted(describeProjectVersionsRequest); Optional optionalResponse = waiterResponse.matched().response(); DescribeProjectVersionsResponse describeProjectVersionsResponse = optionalResponse.get(); for (ProjectVersionDescription projectVersionDescription : describeProjectVersionsResponse .projectVersionDescriptions()) { System.out.println("ARN: " + projectVersionDescription.projectVersionArn()); System.out.println("Status: " + projectVersionDescription.statusAsString()); System.out.println("Message: " + projectVersionDescription.statusMessage()); } return response.projectVersionArn(); } catch (RekognitionException e) { logger.log(Level.SEVERE, "Could not train model: {0}", e.getMessage()); throw e; } } public static void main(String args[]) { String versionName = null; String projectArn = null; String projectVersionArn = null; String bucket = null; String location = null; final String USAGE = "\n" + "Usage: " + " \n\n" + "Where:\n" + " project_arn - The ARN of the project that you want to use. \n\n" + " version_name - A version name for the model.\n\n" + " output_bucket - The S3 bucket in which to place the training output. \n\n" + " output_folder - The folder within the bucket that the training output is stored in. \n\n"; if (args.length != 4) { System.out.println(USAGE); System.exit(1); } projectArn = args[0]; versionName = args[1]; bucket = args[2]; location = args[3]; try { // Get the Rekognition client. RekognitionClient rekClient = RekognitionClient.builder() .credentialsProvider(ProfileCredentialsProvider.create("custom-labels-access")) .region(Region.US_WEST_2) .build(); // Train model projectVersionArn = trainMyModel(rekClient, projectArn, versionName, bucket, location); System.out.println(String.format("Created model: %s for Project ARN: %s", projectVersionArn, projectArn)); rekClient.close(); } catch (RekognitionException rekError) { logger.log(Level.SEVERE, "Rekognition client error: {0}", rekError.getMessage()); System.exit(1); } } } ``` ------ 1. Se o treinamento falhar, leia [Como depurar um treinamento de modelo em falha](tm-debugging.md).