rekognition這個詞儼然已成AWS視覺分析平台的代名詞 -- 好記與獨特性的詞能夠幫你免費打廣告

reference: medium - Getting Started on Amazon Rekognition and using their SDKs

本文開始

AWS平台是由Amazon提供的一個雲端運算平台，由於近期專案需求，也有註冊帳戶與試用了一段時間；對於想嘗試看雲運算服務或是開發App的人來說，是值得註冊一個帳戶先免費試用的。

而Amazon Rekognition，顧名思義，是在AWS的平台上提供影像分析服務。

同樣的，在開始使用API來開發之前，先了解這個服務該人和使用吧！

1. 打開瀏覽器，進入AWS主控台，點選右上角的「建立AWS帳戶」，先進行註冊 (註冊過程會需要手機認證與綁定信用卡；若沒有信用卡的只好說聲抱歉了)；註冊流程可以參考這篇
2. 登入後，在上方搜尋框輸入"Rekognition"，進入Amazon Rekognition服務
   
3. 點選畫面中的「Try Demo」
   
4. Demo畫面有很多種不同功能可以選擇 (畫面左方)；我們先選Facial analysis，可以在這個頁面看到人臉偵測與相關的分析；透過畫面下方可以上傳或指定網址來分析
   

好了，Demo玩了一下，那我們要如何把它實際應用在專案裡呢？

接下來我們就透過現有的AWS帳戶，來實際開發吧！

註：AWS的帳戶免費方案不是很容易理解，在使用之前請務必詳閱AWS的定價方案。
-- 但接下來下面的操作步驟是以免費、試用的方式去實作，請安心服用。

DIY起來！

1. 進入AWS主控台，從上方搜尋SageMaker，進入Amazon Sagemaker服務
2. 點選右方很明顯的「SageMaker Studio」按鈕，進入Amazon所說的"首款免費的完全整合式開發環境 (IDE)"
   
3. 在SageMaker Studio入門頁面中，選擇「快速入門」：
   • 使用者名稱：sagemaker-user
   • 執行角色：下拉選擇建立新角色 -> 都用預設值 -> 點選「建立角色」
   • 點選提交
     
4. 進入SageMaker Studio主控台，建立環境會需要等待一段時間 (畫面上方會提示)；我們先另開一個主控台分頁，需要先將Rekognition的權限授予給剛剛SageMaker的使用者：
   • 在搜尋框中輸入IAM，進入IAM儀表板服務
     
   • 點選左方的「角色」 -> 用sagemaker篩選角色 -> 選擇角色名稱中有"ExecutionRole"的那一個
     
   • 在角色摘要畫面中，點選「連接政策」
     
   • 在篩選框中輸入Rekognition，選擇AmazonRekognitionFullAccess，點選「連接政策」
     
   • 完成！可以關閉這個分頁了
5. 建立完成後，點選剛剛的使用者名稱sagemaker-user進入使用者摘要 (如果建立完成後沒有出現使用者，請重新整理頁面就會出現了)
   
6. 點選右方的「開啟Studio」終於進入AWS Jupyter開發環境囉！
   
7. 進入後，別被一堆的"快速上手"功能給嚇到；其實這個版面佈置與Google Colab還蠻像的
   
8. 接下來讓我們啟動一個Python環境的Notebook：
   • Select a SageMaker image：選擇Data Science
     
   • 點選「Notebook」服務
     
9. 點選建立後，需要等待kernel啟動完成 (你可以看到下方有Starting...在跑)；同時這個頁面是不是與Google Colab上感覺有幾分神似？ (連快捷鍵也是一模一樣的)
10. 確認kernel已啟動完成(Idle狀態)，我們就可以開始寫程式囉！
    

程式碼部分，相關說明在註解中 (每一個區塊都是一個儲存格，請依序執行)：

# 匯入必要套件
import boto3
from PIL import Image, ImageDraw
import requests
from io import BytesIO

# 測試看看Amazon API是否可以正常使用
s3 = boto3.resource('s3')
# 列出目前S3服務中所有的儲存貯體
for bucket in s3.buckets.all():
    print(bucket.name)

# 透過URL取得圖片資料，轉成Bytes
response = requests.get('https://memeprod.ap-south-1.linodeobjects.com/user-template/ce186a93c6b54b03441678f32c3847ee.png')
content = response.content

img = Image.open(BytesIO(content))

# 辨識圖片中的人臉
client = boto3.client('rekognition')
result = client.detect_faces(
    Image={
        "Bytes": bytearray(content)
    }
)

img_w, img_h = img.size
draw = ImageDraw.Draw(img)
for face in result['FaceDetails']:
    box = face['BoundingBox']
    w = int(box['Width'] * img_w)
    h = int(box['Height'] * img_h)
    # 定義臉部位置的四個點：左上、左下、右下、右上
    p0 = int(box['Left'] * img_w), int(box['Top'] * img_h)
    p1 = p0[0], p0[1] + h
    p2 = p1[0] + w, p1[1]
    p3 = p2[0], p2[1] - h
    draw.line((p0, p1, p2, p3, p0), width=5, fill='green')
    
    # 五官位置
    for landmark in face['Landmarks']:
        x = int(landmark['X'] * img_w)
        y = int(landmark['Y'] * img_h)
        draw.ellipse((x - 5, y - 5, x + 5, y + 5), fill='red')
        draw.text((x, y - 20), landmark['Type'], fill='pink')
img

看到這有沒有發現問題？

你真的不打算再看一下圖片，稍微思考一下問題在哪嗎？

那我要揭曉答案囉？

.
.
.

那就是：

這張圖片根本不是人臉，是吉娃娃

對...我相信大家都知道這隻狗是吉娃娃，而且這張圖片也曾經紅過一時，

可是這個系列是人臉偵測，而我們正在用的是Amazon Rekognition的人臉分析服務耶！？

話就說到這邊，其他的就不多說了

明天我們會整理一下人臉偵測的幾個重點，

然後要來處理自行開發人臉分析應用程式時，圖片前處理的一些重點。

下一篇見！

註：完成測試後，記得回SageMaker Studio主控台將你建立的應用程式與使用者都刪除，避免閒置資源被收費喔！