使用AWS Lambda轻松开启Amazon Rekognition之旅

这是本系列文章的第一篇，旨在通过动手实践，帮助大家学习亚马逊云科技的生成式AI相关技能。通过这些文章，大家将掌握如何利用亚马逊云科技的各类服务来应用AI技术。

那么让我们开始今天的内容吧！

---

介绍

什么是Amazon Rekognition？

Amazon Rekognition是基于云的计算机视觉平台，提供软件即服务（SaaS）。
通过经过验证的高度可扩展的深度学习技术，Amazon Rekognition可以轻松地将图像和视频分析功能添加到您的应用程序中，而无需具备机器学习的专业知识。
它提供高度精确的面部分析和面部搜索功能，您可以利用这些功能进行用户身份验证、人数统计和公共安全等多种场景的检测、分析和比较。

服务功能：

• 标签识别
• 自定义标签
• 内容审核
• 文本检测
• 面部检测与分析
• 面部搜索与验证
• 名人识别
• 个人防护装备（PPE）检测

---

Amazon Lambda

• AWS Lambda是一种无服务器计算服务。
• 它无需任何服务器管理，允许我们执行任意类型的应用程序代码。
• 开发人员无需担心启动或管理AWS资源的步骤。
• 任务的配置以代码形式完成，实施在Lambda中，并在执行时运行。
• Lambda函数负责处理资源的预置和管理。
• AWS Lambda支持的编程语言包括Node.js、Python、C#、Java和Go。
• 它允许我们响应其他AWS服务的事件来运行代码。
• 根据工作负载的大小，Lambda自动进行扩展。
• Lambda代码通过来自AWS资源的触发器执行。
• AWS Lambda的成本非常低，费用取决于多个因素。它会按每100毫秒的运行时间以及代码的执行次数收费。
• Lambda函数的可允许运行时间在100毫秒到15分钟之间。
• 它提供从128MB内存到10GB内存的可变资源。

---

IAM角色

1. IAM角色是AWS IAM身份（可以在我们的AWS账户中创建），具有特定的权限。
2. 它类似于IAM用户，决定该身份在AWS中可以执行或无法执行的操作。
3. 与直接将角色分配给特定用户或组不同，它可以被分配给任何需要它的人。
4. 拥有角色的好处是我们不需要关联标准的长期凭证，如密码或访问密钥。
5. 当资源承担某个特定角色时，它会为我们的角色会话提供临时安全凭证。
6. 我们可以使用角色来访问没有权限访问AWS资源的用户、应用程序或服务。
7. 根据我们的需求，可以为角色附加一个或多个策略。
8. 例如，我们可以创建一个具有S3完全访问权限的角色，并将其分配给EC2实例，以便访问S3存储桶。

---

简单存储服务（S3）

1. Amazon S3是一种简单的存储服务，我们可以随时、随地通过网络存储和检索任意数量的数据。
2. 它为开发人员和用户提供高度可扩展、可靠、快速、廉价的数据存储基础设施。
3. S3保证99.9%的可用性。
4. S3设计用于存储最多5TB的数据。
5. S3是全球化的，这意味着您可以在任何地区创建存储桶，并从任何地方访问它。因此，存储桶的名称必须是唯一的。
6. 用户可以随时删除S3存储桶及其对象。
7. 我们可以通过为不同用户授予不同权限来限制对存储桶的访问。
8. S3还提供额外功能，如版本控制、静态网站托管、服务器访问日志记录、对象存储生命周期策略等。

---

架构图

任务详情

1. 创建S3存储桶并上传图

2. 创建Lambda函

3. 测试Lambda函数

---

任务1：创建S3存储桶并上传图像
在此任务中，我们将通过提供所需的配置来创建一个S3存储桶，并将图像上传到该存储桶。

1. 导航到顶部的“服务”菜单，然后在“存储”部分点击S3。
2. 在左侧菜单中选择“存储桶”，点击“创建存储桶”按钮并填写存储桶的详细信息。

• 存储桶名称: 输入 labs.rekognition.23
  注意: 存储桶名称必须在Amazon S3中所有现有存储桶名称中是唯一的。如果您收到存储桶名称已存在的错误，请将存储桶名称的最后两位数字更改为任意随机数字。

• 区域: 选择 美国东部（弗吉尼亚北部）us-east-1

• 对象所有权: 选择 禁用ACL（推荐） 选项

• 阻止公共访问的存储桶设置: 取消选中“阻止所有公共访问”选项，并勾选“确认”复选框。

1. 其他设置保持默认。
2. 点击“创建存储桶”按钮。

3.现在您的S3存储桶已经创建好了。

4.点击您的存储桶名称。

5.在“概览”中，您会看到以下消息：

   "此存储桶中没有任何对象。"

6.注意：本实验室仅支持使用jpg、jpeg和PNG文件格式。其他格式不支持。

7.您可以从本地存储上传任何图像，或者从此链接下载示例图像：Download Me。

8.如果图像在新标签页中打开，请右键点击并将图像保存到您的本地机器上。保存后可以关闭该标签页。

9.上传文件到S3存储桶的步骤：

• 点击“上传”按钮。
• 点击“添加文件”按钮。
• 浏览本地图像文件，或选择下载的图像文件，文件名为：rose_flower_54_11.jpeg。
• 点击“上传”按钮。
• 您可以在屏幕底部的传输面板中查看上传进度。
• 文件上传完成后，它将显示在存储桶中。

10.现在，点击屏幕右上角的“关闭”按钮。

任务2：创建Lambda函数

在此任务中，我们将通过提供名称、运行时、权限和代码等所需配置来创建一个Lambda函数。

1. 确保您所在的区域是美国东部（弗吉尼亚北部）。
2. 通过点击顶部的“服务”菜单导航到Lambda，然后在“计算”部分点击Lambda。
3. 点击“创建函数”按钮。

• 选择“从头开始创建”按钮。
• 函数名称：输入 my_rekognition_Lambda。
• 运行时：选择 Python 3.8。
• 权限：点击“更改默认执行角色”，选择“使用现有角色”。
• 现有角色：从下拉列表中选择 Whiz_policy_role_<RANDOM_NUMBER>。
• 点击“创建函数”按钮。
• 4.在“代码”选项卡下，找到“代码源”部分，双击 lambda_function.py 文件，然后将现有代码替换为以下代码。

import json
import boto3
def lambda_handler(event, context):
   
    bucket_name = "labs.rekognition.23"
    image_obj_name = "rose_flower_54_11.jpeg"
 
    try:
        rkClient = boto3.client("rekognition", region_name="us-east-1")
        try:
            rkResponse = rkClient.detect_labels(
                Image={
                    'S3Object': {
                        'Bucket': bucket_name,
                        'Name': image_obj_name
                    }
                },
            )
            print(rkResponse['Labels'])
            return rkResponse['Labels']
        except Exception as e:
            print("Get labels failed because ", e)
    except Exception as e:
        print("Client connection to Rekognition failed because ", e)

注意：请将代码中的存储桶名称和对象名称替换为您自己的名称。

5.注意：如果您创建的存储桶名称不同或上传的对象与实验室中的不一致，输出/结果可能会有所不同。

6.点击“部署”按钮以保存函数。

任务3：测试Lambda函数

1. 注意：请确保第6行和第7行的存储桶名称和对象名称与您的S3数据一致。
2. 点击“测试”按钮，事件名称：输入LambdaTest，然后点击“保存”按钮。
3. 再次点击“测试”按钮。
4. 现在，在Lambda的执行结果中，Rekognition将根据图像返回标签。
5. 它将以JSON格式提供数据，包含标签名称以及它对从图像中检测到该标签的置信度。

 

6.这就是我们使用Amazon Rekognition服务来检测图像中标签的方式。

 结语

通过本次实验室操作，我们成功创建了一个S3存储桶并上传了图像，配置并部署了Lambda函数，同时利用Amazon Rekognition服务实现了对图像标签的自动检测。通过这一步步的实践，我们不仅了解了如何将Amazon Rekognition与AWS Lambda集成，还掌握了如何高效地处理图像分析任务。这种无服务器架构为应用程序的扩展性和自动化提供了强大的支持，是实现AI功能的有效途径。

lab内容参考自whizlabs平台的lab实验，如需想要完整练习上面内容推荐去相关平台进行学习。