【源码】基于Sagemaker的快速人脸检测系统

项目简介

本项目借助Amazon Sagemaker平台达成快速人脸检测功能。运用Sagemaker的Notebook Instance、Ground Truth、Training jobs和Endpoint等特性，实现从数据标记、模型训练到模型部署的完整流程，为用户提供便捷的人脸检测服务。

项目的主要特性和功能

1. 灵活的数据处理：支持将数据直接上传到S3，可通过代码或手动方式操作。利用Ground Truth进行数据标记，支持bounding box任务类型，AWS会提供人力协助标记。
2. 多样的模型训练方式：提供多种训练选择，如使用内建演算法、自定义演算法、自己准备Container等。以Vision - Object Detection (MxNet)内建演算法为例，能根据不同业务情境和资料格式设置参数。
3. 丰富的模型部署方案：支持即时同步推论、非同步推论和无伺服器推论三种Sagemaker Serving方式，可依据业务需求和流量特点选择合适方案，无伺服器端点可根据流量自动扩缩计算资源。
4. 便捷的模型推论：建立端点后，使用Python进行API呼叫，输入格式统一为二进位的资料格式或序列数值化资料，便于人脸检测。
5. 产品优势：支持多人脸检测，实时反馈结果，通过图形化界面展示，支持跨平台使用。采用云服务部署，具备良好的可扩展性和可维护性，能应对大量并发请求和用户量增长。

安装使用步骤

资料准备

1. 代码方式：在可访问AWS的环境（如Sagemaker Notebook Instance）中，执行以下代码将资料下载到S3： ```python import sagemaker

sess = sagemaker.Session() bucket = sess.default_bucket()

!aws s3 sync s3://sagemaker-sample-files/datasets/image/caltech-101/inference/ s3://{bucket}/ground-truth-demo/images/

print('Copy and paste the below link into a web browser to confirm the ten images were successfully uploaded to your bucket:') print(f'https://s3.console.aws.amazon.com/s3/buckets/{bucket}/ground-truth-demo/images/')

print('\nWhen prompted by Sagemaker to enter the S3 location for input datasets, you can paste in the below S3 URL') print(f's3://{bucket}/ground-truth-demo/images/')

print('\nWhen prompted by Sagemaker to Specify a new location, you can paste in the below S3 URL') print(f's3://{bucket}/ground-truth-demo/labeled-data/') ``` 2. 手动方式：上网搜索5张包含人脸的照片，存于指定目录后，手动放入自己账号的S3 bucket。

资料标记

1. 在Sagemaker的Ground Truth中选择Labeling jobs -> Create labeling jobs。
2. 选择预先建立好的S3位置，任务类型选择bounding box，详细描述任务。
3. 标记完成后，选择「输出资料及位置」，记录manifests/output/output.manifest的S3位置。

模型训练

1. 在Sagemaker主控台左侧，选择「培訓」->「訓練任務」->「建立訓練任務」。
2. 选择Sagemaker内建的演算法Vision - Object Detection (MxNet)。
3. 设定「输入资料组态」，使用两个channel：「train」、「validation」，设置属性名称「AttributeNames」，S3位置为Ground Truth标记完的output.manifest位置，「纪录包装函式」RecordWrapperType选择「RecordIO」。
4. 建立训练任务，等待训练完成。

模型部署

1. 建立端点组态（configuration），选择「无伺服器端點」，变体选择训练好的模型，编辑（4 GB记忆体），建立端点组态。
2. 选择建立端点，选择刚建立好的端点组态，建立端点（大约等待几分钟）。

模型推论

使用以下Python代码进行API呼叫： ```python import boto3 import json

runtime = boto3.client("sagemaker-runtime", region_name="your_region") endpoint_name = "your_name"

with open("./inference_data/face1.jpeg", "rb") as image: f = image.read() b = bytearray(f) endpoint_response = runtime.invoke_endpoint(EndpointName=endpoint_name, ContentType="image/jpeg", Body=b) results = endpoint_response["Body"].read() ```

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】