Az Azure-szolgáltatások, például a Computer Vision API és az Azure Functions használatával a vállalatok szükségtelenné tehetik az egyes kiszolgálók kezelését, ugyanakkor csökkenthetik a költségeket, és kihasználhatják azt a szakértelmet, amelyet a Microsoft már kifejlesztett a rendszerképek Azure AI-szolgáltatásokkal történő feldolgozásával. Ez a példaforgatókönyv kifejezetten egy képfeldolgozási használati esetet kezel. Ha különböző AI-igényei vannak, fontolja meg az Azure AI-szolgáltatások teljes csomagját.
Architektúra
Töltse le az architektúra Visio-fájlját.
Munkafolyamat
Ez a forgatókönyv egy web- vagy mobilalkalmazás háttérösszetevőit ismerteti. Az adatok az alábbiak szerint haladnak végig a forgatókönyvön:
- Ha új fájlokat (képfeltöltéseket) ad hozzá a Blob Storage-ban, eseményt aktivál az Azure Event Gridben. A feltöltési folyamat vezénylhető a weben vagy egy mobilalkalmazásban. A képeket külön is feltöltheti az Azure Blob Storage-ba.
- Az Event Grid értesítést küld, amely aktiválja az Azure-függvényeket.
- Az Azure Functions meghívja az Azure Computer Vision API-t az újonnan feltöltött rendszerkép elemzéséhez. A Computer Vision az Azure Functions által elemezett blob URL-címén keresztül éri el a képet.
- Az Azure Functions megőrzi a Computer Vision API-választ az Azure Cosmos DB-ben. Ez a válasz az elemzés eredményeit és a kép metaadatait is tartalmazza.
- Az eredmények a weben vagy a mobil előtéren is felhasználhatók és tükrözhetők. Vegye figyelembe, hogy ez a módszer lekéri a besorolás eredményeit, a feltöltött rendszerképet azonban nem.
Összetevők
- A Computer Vision API az Azure AI-szolgáltatási csomag része, és az egyes rendszerképek adatainak lekérésére szolgál.
- Az Azure Functions biztosítja a webalkalmazás háttér API-ját. Ez a platform eseményfeldolgozást is biztosít a feltöltött képekhez.
- Az Azure Event Grid eseményt aktivál, amikor új rendszerképet tölt fel a Blob Storage-ba. A rendszerkép ezután az Azure Functionsben lesz feldolgozva.
- Az Azure Blob Storage tárolja a webalkalmazásba feltöltött összes képfájlt, valamint a webalkalmazás által felhasznált statikus fájlokat.
- Az Azure Cosmos DB minden feltöltött kép metaadatait tárolja, beleértve a Computer Vision API-ból történő feldolgozás eredményeit is.
Alternatívák
- Custom Vision Service. A Computer Vision API rendszertani alapú kategóriákat ad vissza. Ha olyan adatokat kell feldolgoznia, amelyeket nem a Computer Vision API ad vissza, fontolja meg a Custom Vision Service használatát, amely lehetővé teszi egyéni képosztályozók készítését.
- Cognitive Search (korábbi nevén Azure Search). Ha a használati eset magában foglalja a metaadatok lekérdezését, hogy meghatározott feltételeknek megfelelő képeket találjon, fontolja meg a Cognitive Search használatát. Jelenleg előzetes verzióban a Cognitive Search zökkenőmentesen integrálja ezt a munkafolyamatot.
- Logikai alkalmazások. Ha nem kell valós időben reagálnia a blobhoz hozzáadott fájlokra, megfontolhatja a Logic Apps használatát. Egy logikai alkalmazás, amely ellenőrizheti, hogy a fájl hozzáadása megtörtént-e, az ismétlődési eseményindító vagy a tolóablakos eseményindító indíthatja el.
Forgatókönyv részletei
Ez a forgatókönyv olyan vállalkozások számára releváns, amelyeknek lemezképeket kell feldolgozniuk.
A lehetséges alkalmazások közé tartozik a képek osztályozása egy divatweboldalhoz, szöveg és képek elemzése biztosítási jogcímekhez, vagy a játék képernyőképeiből származó telemetriai adatok megértése. A vállalatoknak hagyományosan szakértelmet kell fejleszteniük a gépi tanulási modellekben, be kell tanítaniuk a modelleket, és végre le kell futtatniuk a képeket az egyéni folyamatukon keresztül, hogy az adatokat ki tudják venni a képekből.
Lehetséges használati esetek
Ez a megoldás ideális a kiskereskedelem, a játék, a pénzügy és a biztosítási ágazat számára. Egyéb releváns használati esetek a következők:
Képek osztályozása egy divatweboldalon. A képbesorolást az eladók használhatják, miközben képeket töltenek fel a platformon az eladásra szánt termékekről. Ezután automatizálhatják az ebből eredő manuális címkézést. Az ügyfelek a termékek vizuális benyomásán keresztül is kereshetnek.
Telemetriai adatok osztályozása a játékok képernyőképeiből. A videójátékok képernyőképekből való besorolása a közösségi médiában releváns problémává alakul, a számítógépes látással együtt. Ha például a Twitch-streamelők egymás után különböző játékokat játszanak, előfordulhat, hogy kihagyják a streamadatok manuális frissítését. A streamadatok frissítésének elmulasztása a streamek helytelen besorolását eredményezheti a felhasználói keresésekben, és a tartalomkészítők és a streamplatformok potenciális megtekintési jogosultságának elvesztéséhez vezethet. Az új játékok bevezetésekor hasznos lehet egy egyéni modellútvonal, amely képes észlelni az új képeket ezekből a játékokból.
Rendszerképek besorolása biztosítási jogcímekhez. A képbesorolás segíthet csökkenteni a jogcímek feldolgozásának és jegyzésének idejét és költségeit. Segíthet elemezni a természeti katasztrófák okozta károkat, a járművek sérülését, és azonosítani a lakó- és kereskedelmi tulajdonságokat.
Megfontolások
Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.
A megoldás megvalósításakor vegye figyelembe az alábbi szempontokat:
Méretezhetőség
A példaforgatókönyvben használt összetevők többsége olyan felügyelt szolgáltatások, amelyek automatikusan skálázódnak. Néhány figyelemre méltó kivétel: Az Azure Functions legfeljebb 200 példányra korlátozható. Ha ennél a korlátnál nagyobb skálázásra van szüksége, fontolja meg több régió vagy alkalmazáscsomag használatát.
Az Azure Cosmos DB-t csak az Azure Cosmos DB for NoSQL-ben végezheti el automatikus skálázásra . Ha más API-kat szeretne használni, tekintse meg a követelmények becslésére vonatkozó útmutatást a Kérelemegységekben. Az Azure Cosmos DB skálázásának teljes kihasználásához ismerje meg, hogyan működnek a partíciókulcsok az Azure Cosmos DB-ben.
A NoSQL-adatbázisok gyakran kereskednek konzisztenciával (a CAP-tétel értelmében) a rendelkezésre állás, a méretezhetőség és a particionálás érdekében. Ebben a példában kulcs-érték adatmodellt használunk, és ritkán van szükség tranzakciókonzisztenciára, mivel a legtöbb művelet definíció szerint atomi. További útmutatás a megfelelő adattár kiválasztásához az Azure Architecture Centerben érhető el. Ha az implementációhoz nagy konzisztencia szükséges, az Azure Cosmos DB-ben kiválaszthatja a konzisztenciaszintet .
A méretezhető megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure Architecture Center teljesítményhatékonysági ellenőrzőlistát .
Biztonság
A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.
Az Azure-erőforrások felügyelt identitásai a fiókon belüli egyéb erőforrásokhoz való hozzáférést biztosítják, majd hozzárendelhetők az Azure-függvényekhez. Csak a szükséges erőforrásokhoz való hozzáférés engedélyezése ezekben az identitásokban, hogy semmi extra ne legyen kitéve a függvényeknek (és potenciálisan az ügyfeleknek).
A biztonságos megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure biztonsági dokumentációját.
Tartósság
Ebben a forgatókönyvben az összes összetevő kezelése megtörténik, így regionális szinten ezek mind automatikusan rugalmasak.
A rugalmas megoldások tervezésével kapcsolatos általános útmutatásért lásd : Rugalmas alkalmazások tervezése az Azure-hoz.
Költségoptimalizálás
A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.
A forgatókönyv futtatásának költségeinek megismeréséhez az összes szolgáltatás előre konfigurálva van a költségkalkulátorban. Annak megtekintéséhez, hogy az adott használati eset díjszabása hogyan változna, módosítsa a megfelelő változókat a várt forgalomnak megfelelően.
Három mintaköltségprofilt adtunk meg a forgalom mennyisége alapján (feltételezzük, hogy az összes kép mérete 100 KB):
- Kicsi: ez a díjszabási példa havonta 5000 képet dolgoz < fel.
- Közepes: ez a díjszabási példa havonta 500 000 kép feldolgozásához kapcsolódik.
- Nagy: ez a díjszabási példa havonta 50 millió képet dolgoz fel.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerzők:
- David Stanford | Fő programmenedzser
- Ashish Chauhan | Vezető megoldástervező
Következő lépések
Termékdokumentáció
- Mi az a Computer Vision?
- AI-bővítés az Azure Cognitive Searchben
- Az Azure Functions bemutatása
- Mi az Az Azure Event Grid?
- Az Azure Blob Storage bemutatása
- Bevezetés az Azure Cosmos DB-e
Az irányított képzési tervről a következő témakörben olvashat:
- Kiszolgáló nélküli webalkalmazás létrehozása az Azure-ban
- Képek osztályozása a Custom Vision szolgáltatással
- Objektumok felismerése képeken a Custom Vision szolgáltatással mesterséges intelligenciával
- Veszélyeztetett madárfajok osztályozása a Custom Vision használatával
- Képek osztályozása a Microsoft Custom Vision Service-ben
- Objektumok észlelése képeken a Custom Vision szolgáltatással
A példaforgatókönyv éles környezetben való üzembe helyezése előtt tekintse át az Azure Functions teljesítményének és megbízhatóságának optimalizálásához ajánlott eljárásokat.