مقدمه:

در عصر دیجیتال امروز، داده‌ها دیگر تنها به متن و اعداد محدود نمی‌شوند. حجم عظیمی از اطلاعات در قالب تصاویر و ویدئوها تولید و به اشتراک گذاشته می‌شود. این حجم از داده‌های بصری، فرصتی بی‌نظیر و در عین حال چالشی بزرگ برای کسب‌وکارها ایجاد کرده است: چگونه می‌توان از این محتوای غنی، اطلاعات ارزشمند و قابل اقدام استخراج کرد؟ پاسخ در یکی از هیجان‌انگیزترین شاخه‌های هوش مصنوعی (AI) نهفته است: بینایی کامپیوتر (Computer Vision).

این فناوری به ماشین‌ها توانایی «دیدن» و درک محتوای تصاویر و ویدئوها را می‌بخشد، درست مانند انسان. اما پیاده‌سازی سیستم‌های بینایی کامپیوتر از ابتدا، نیازمند تخصص عمیق در یادگیری ماشین (Machine Learning)، قدرت محاسباتی بالا و داده‌های آموزشی گسترده است. اینجاست که سرویس AWS Rekognition وارد میدان می‌شود و این فناوری قدرتمند را برای همگان دسترس‌پذیر می‌کند.

این مقاله یک راهنمای جامع و گام به گام است که شما را از مفاهیم اولیه تا پیاده‌سازی عملی قابلیت‌های پیشرفته و آموزش استفاده از AWS Rekognition را نشان می‌دهد که چگونه می‌توانید قدرت تحلیل تصویر و ویدئو را به سادگی به پروژه‌ها و کسب‌وکار خود اضافه کنید.

در ادامه به راهنمای جامع آموزش گام به گام و استفاده از AWS Rekognition میپردازیم.

آشنایی با ابزار: AWS Rekognition چیست؟

AWS Rekognition یک سرویس قدرتمند مبتنی بر ابر از مجموعه خدمات وب آمازون (Amazon Web Services) است که تحلیل تصویر و ویدئو را با استفاده از فناوری یادگیری عمیق (Deep Learning) بسیار ساده می‌کند. این سرویس به توسعه‌دهندگان اجازه می‌دهد تا بدون نیاز به دانش تخصصی در زمینه یادگیری ماشین، قابلیت‌های پیچیده بینایی کامپیوتر را به اپلیکیشن‌های خود اضافه کنند.

Rekognition با استفاده از مدل‌های بسیار دقیق و از پیش آموزش‌دیده، می‌تواند هزاران شیء، صحنه، چهره و فعالیت را در تصاویر و ویدئوهای شما شناسایی کند. این سرویس در سال ۲۰۱۶ معرفی شد و از آن زمان به طور مداوم با افزودن قابلیت‌های جدید و بهبود دقت، به یکی از پیشروان بازار سرویس‌های هوش مصنوعی تبدیل شده است. هدف اصلی آن، دموکراتیزه کردن بینایی کامپیوتر و فراهم آوردن ابزاری مقیاس‌پذیر، مقرون‌به‌صرفه و با کاربری آسان برای استخراج اطلاعات از داده‌های بصری است.

پتانسیل این ابزار تقریباً نامحدود است؛ از افزایش امنیت با سیستم‌های تشخیص چهره گرفته تا بهبود تجربه کاربری با سازماندهی خودکار گالری‌های تصاویر و تعدیل محتوای نامناسب در پلتفرم‌های اجتماعی.

راهنمای گام به گام راه‌اندازی AWS Rekognition

برای شروع ماجراجویی خود در دنیای تحلیل تصویر و ویدئو با AWS Rekognition، ابتدا باید محیط کاری خود را در پلتفرم AWS آماده کنید. این فرآیند شامل چند گام ساده اما ضروری است که در ادامه به تفصیل شرح داده می‌شوند.

گام اول: ایجاد حساب کاربری AWS

اگر تاکنون حساب کاربری AWS نداشته‌اید، اولین قدم ایجاد یک حساب است. AWS برای کاربران جدید یک «سطح استفاده رایگان» (Free Tier) سخاوتمندانه ارائه می‌دهد که به شما امکان می‌دهد بسیاری از سرویس‌ها، از جمله Rekognition را تا سقف مشخصی به صورت رایگان آزمایش کنید. برای مثال، در سطح رایگان Rekognition، شما می‌توانید ماهانه ۵,۰۰۰ تصویر را برای تحلیل و ۱,۰۰۰ چهره را برای ذخیره‌سازی به صورت رایگان پردازش کنید.

1. به وب‌سایت aws.amazon.com بروید و روی دکمه “Create an AWS Account” کلیک کنید.
2. اطلاعات خواسته‌شده مانند آدرس ایمیل، رمز عبور و نام حساب را وارد کنید.
3. اطلاعات تماس و اطلاعات پرداخت (کارت اعتباری) خود را تکمیل کنید. نگران نباشید، تا زمانی که از محدودیت‌های سطح رایگان فراتر نروید، هزینه‌ای از شما کسر نخواهد شد.
4. هویت خود را از طریق تماس تلفنی یا پیامک تأیید کنید.
5. یک طرح پشتیبانی (Support Plan) انتخاب کنید. طرح “Basic Support” که رایگان است، برای شروع کاملاً کافی است.

پس از تکمیل این مراحل، حساب AWS شما آماده استفاده است.

گام دوم: ایجاد کاربر IAM با دسترسی‌های لازم

استفاده مستقیم از کاربر ریشه (Root User) حساب AWS برای کارهای روزمره، از نظر امنیتی یک عمل پرخطر محسوب می‌شود.

بهترین روش، ایجاد یک کاربرIAM (Identity and Access Management) با دسترسی‌های محدود و مشخص است. این کار به شما اجازه می‌دهد تا کنترل دقیقی بر روی اینکه چه کسی و به چه سرویس‌هایی دسترسی دارد، داشته باشید.

1. وارد کنسول مدیریت AWS شوید و در نوار جستجو، عبارت “IAM” را تایپ کرده و سرویس IAM را انتخاب کنید.
2. در منوی سمت چپ، روی “Users” و سپس “Add users” کلیک کنید.
3. یک نام کاربری (مثلاً `rekognition-user`) انتخاب کنید. در بخش “Select AWS credential type”، گزینه “Access key – Programmatic access” را تیک بزنید. این گزینه به شما یک Access Key ID و یک Secret Access Key می‌دهد که برای استفاده از AWS CLI یا SDKها ضروری است.
4. به مرحله بعد “Permissions” بروید. گزینه “Attach existing policies directly” را انتخاب کنید. در لیست پالیسی‌ها، عبارت `AmazonRekognitionFullAccess` را جستجو و آن را انتخاب کنید. این پالیسی تمام دسترسی‌های لازم برای کار با Rekognition را فراهم می‌کند. برای امنیت بیشتر در محیط‌های عملیاتی، می‌توانید پالیسی‌های محدودتری ایجاد کنید.
5. مراحل بعدی (Tags و Review) را بدون تغییر ادامه دهید و در نهایت روی “Create user” کلیک کنید.

بسیار مهم: در صفحه نهایی، Access Key ID و Secret Access Key به شما نمایش داده می‌شود. این تنها باری است که می‌توانید Secret Access Key را مشاهده کنید. حتماً آن را در یک مکان امن کپی و ذخیره کنید یا فایل CSV مربوطه را دانلود نمایید. این اطلاعات، کلید دسترسی به حساب شما از طریق کد هستند.

گام سوم: پیکربندی AWS CLI (اختیاری اما پیشنهادی)

رابط خط فرمان AWS (AWS CLI) یک ابزار قدرتمند برای تعامل با سرویس‌های AWS از طریق ترمینال یا Command Prompt است. نصب و پیکربندی آن به شما امکان می‌دهد تا به سرعت و به صورت اسکریپتی، درخواست‌ها را به Rekognition ارسال کنید.

1. ابتدا AWS CLI را بر اساس سیستم‌عامل خود از راهنمای رسمی AWS نصب کنید.
2. پس از نصب، ترمینال یا Command Prompt را باز کرده و دستور `aws configure` را اجرا کنید.
3. از شما اطلاعات زیر خواسته می‌شود:
   • AWS Access Key ID: کلید دسترسی که در مرحله قبل ذخیره کردید را وارد کنید.
   • AWS Secret Access Key: کلید مخفی که در مرحله قبل ذخیره کردید را وارد کنید.
   • Default region name: نام منطقه‌ای که می‌خواهید درخواست‌هایتان به آنجا ارسال شود را وارد کنید (مثلاً `us-east-1`). لیست کامل مناطق در مستندات AWS موجود است.
   • Default output format: فرمت خروجی پیش‌فرض را مشخص کنید. `json` یک انتخاب خوب و رایج است.

پس از تکمیل این مراحل، AWS CLI شما برای تعامل با حساب AWS و سرویس Rekognition آماده است. برای تست، می‌توانید دستور ساده‌ای مانند `aws rekognition detect-labels –image “{\”S3Object\”:{\”Bucket\”:\”BUCKET_NAME\”,\”Name\”:\”IMAGE_NAME\”}}”` (با جایگزینی نام باکت و تصویر) را اجرا کنید.

ویژگی‌ها و قابلیت‌های کلیدی AWS Rekognition

AWS Rekognition مجموعه‌ای غنی از قابلیت‌ها را برای تحلیل داده‌های بصری ارائه می‌دهد که می‌توان آن‌ها را به دو دسته اصلی تقسیم کرد: تحلیل تصویر (Image Analysis) و تحلیل ویدئو (Video Analysis).

تحلیل تصویر (Image Analysis)

• شناسایی اشیاء و صحنه‌ها (Object and Scene Detection): این یکی از اساسی‌ترین قابلیت‌های Rekognition است. با استفاده از API `DetectLabels`، سرویس می‌تواند هزاران شیء (مانند “Car”, “Bicycle”, “Dog”) و صحنه (مانند “Beach”, “City”, “Sunset”) را در یک تصویر شناسایی کرده و یک برچسب به همراه امتیاز اطمینان برای هر کدام برگرداند.
• تحلیل چهره (Facial Analysis): Rekognition قابلیت‌های بسیار پیشرفته‌ای در زمینه تحلیل چهره دارد. با `DetectFaces`، می‌تواند مکان چهره‌ها را مشخص کرده و ویژگی‌هایی مانند جنسیت، محدوده سنی، احساسات (شادی، غم، تعجب)، وجود عینک، ریش یا سبیل و کیفیت تصویر چهره را تحلیل کند.
• مقایسه چهره‌ها (Face Comparison): با استفاده از `CompareFaces`، می‌توانید دو چهره را با هم مقایسه کنید تا میزان شباهت آن‌ها را تعیین نمایید. این قابلیت برای تأیید هویت کاربرد دارد.
• تشخیص چهره (Facial Recognition): این سرویس به شما اجازه می‌دهد تا یک «مجموعه چهره» (Face Collection) ایجاد کنید. سپس می‌توانید چهره‌های جدید را با چهره‌های موجود در این مجموعه جستجو (`SearchFacesByImage`) و هویت افراد را تشخیص دهید.
• تشخیص افراد مشهور (Celebrity Recognition): Rekognition می‌تواند افراد مشهور در حوزه‌های مختلف مانند سینما، ورزش و سیاست را در تصاویر شناسایی کند.
• تعدیل محتوا (Content Moderation): با API `DetectModerationLabels`، می‌توانید به طور خودکار محتوای نامناسب، مستهجن یا خشونت‌آمیز را در تصاویر شناسایی کنید. این ویژگی برای پلتفرم‌های اجتماعی و وب‌سایت‌های دارای محتوای تولیدی کاربران (UGC) حیاتی است.
• تشخیص متن در تصویر (Text in Image): `DetectText` به شما امکان می‌دهد تا متن‌های چاپ‌شده یا دست‌نویس را در تصاویر شناسایی و استخراج کنید. این قابلیت برای دیجیتالی کردن اسناد، خواندن پلاک خودرو یا استخراج اطلاعات از بنرهای تبلیغاتی بسیار مفید است.

{{ اینفوگرافیکی که قابلیت‌های مختلف تحلیل تصویر AWS Rekognition را به صورت بصری نمایش می‌دهد. هر قابلیت (مانند شناسایی اشیاء، تحلیل چهره، تشخیص متن) با یک آیکون و یک تصویر نمونه نشان داده شده است. مثلاً برای تحلیل چهره، تصویری از یک چهره با باکس‌های مشخص‌کننده چشم‌ها، بینی و دهان و برچسب‌هایی برای احساسات و سن نمایش داده شده است. }}

تحلیل ویدئو (Video Analysis)

Rekognition همین قابلیت‌های قدرتمند را برای فایل‌های ویدئویی نیز ارائه می‌دهد، هم برای ویدئوهای ذخیره‌شده (batch analysis) و هم برای استریم‌های زنده (real-time analysis).

• ردیابی افراد (Person Tracking): این سرویس می‌تواند افراد را در طول یک ویدئو ردیابی کند، حتی اگر چهره آن‌ها به طور موقت پوشانده یا از کادر خارج شود. به هر فرد یک شناسه منحصربه‌فرد اختصاص داده می‌شود.
• شناسایی فعالیت‌ها (Activity Recognition): Rekognition می‌تواند فعالیت‌های خاصی را در ویدئو تشخیص دهد، مانند “Swimming” یا “Playing a musical instrument”.
• تحلیل محتوای ویدئو بر اساس زمان: تمام تحلیل‌های ذکر شده برای تصاویر (شناسایی اشیاء، چهره‌ها، متن و تعدیل محتوا) را می‌توان بر روی ویدئوها نیز اجرا کرد. Rekognition یک خروجی زمان‌بندی‌شده (timestamped) ارائه می‌دهد که دقیقاً مشخص می‌کند هر شیء یا رویداد در چه زمانی از ویدئو رخ داده است.
• تشخیص زنده بودن چهره (Face Liveness Detection): این قابلیت که هم برای تصویر و هم برای ویدئو کاربرد دارد، برای جلوگیری از حملات جعل هویت (spoofing) طراحی شده است. این سیستم می‌تواند تشخیص دهد که آیا چهره‌ای که در مقابل دوربین قرار دارد، یک شخص واقعی و زنده است یا یک عکس یا ویدئوی از پیش ضبط‌شده. این ویژگی امنیت سیستم‌های احراز هویت بیومتریک را به شدت افزایش می‌دهد.

محدودیت‌ها و چالش‌های AWS Rekognition

با وجود تمام قابلیت‌های قدرتمند، AWS Rekognition نیز مانند هر فناوری دیگری دارای محدودیت‌ها و چالش‌هایی است که کاربران باید از آن‌ها آگاه باشند.

• هزینه‌ها در مقیاس بزرگ: اگرچه مدل قیمت‌گذاری پرداخت به ازای مصرف (pay-as-you-go) برای شروع و پروژه‌های کوچک بسیار جذاب است، اما برای کاربردهایی با حجم بسیار بالا (مثلاً تحلیل میلیون‌ها تصویر یا هزاران ساعت ویدئو در ماه)، هزینه‌ها می‌توانند به سرعت افزایش یابند. مدیریت دقیق بودجه و بهینه‌سازی تعداد درخواست‌های API ضروری است.
• وابستگی به کیفیت ورودی: دقت تحلیل‌های Rekognition به شدت به کیفیت تصویر یا ویدئوی ورودی وابسته است. تصاویر با رزولوشن پایین، نویز زیاد، نورپردازی نامناسب یا زوایای دید غیرمعمول می‌توانند منجر به کاهش دقت و نتایج نادرست شوند. برای مثال، تشخیص چهره در یک عکس تار و کم‌نور بسیار دشوارتر از یک عکس پرتره با کیفیت است.
• سوگیری (Bias) در مدل‌ها: مدل‌های یادگیری ماشین بر روی داده‌های عظیمی آموزش می‌بینند. اگر این داده‌های آموزشی نماینده کاملی از جمعیت جهانی (از نظر نژاد، جنسیت، سن و …) نباشند، مدل ممکن است در تشخیص برخی گروه‌ها عملکرد ضعیف‌تری داشته باشد. آمازون به طور مداوم برای کاهش سوگیری در مدل‌های خود تلاش می‌کند، اما این یک چالش بنیادی در حوزه هوش مصنوعی است و کاربران باید در کاربردهای حساس مانند правоприменение (law enforcement) بسیار محتاط باشند.
• عدم امکان سفارشی‌سازی عمیق: Rekognition یک سرویس مدیریت‌شده است، به این معنی که شما کنترل مستقیمی بر روی معماری مدل‌های یادگیری عمیق ندارید. اگرچه قابلیت Custom Labels به شما امکان آموزش مدل برای شناسایی اشیاء خاص را می‌دهد، اما برای سفارشی‌سازی‌های بسیار پیچیده یا تحقیقات آکادمیک، ممکن است نیاز به ساخت مدل از پایه با ابزارهایی مانند Amazon SageMaker داشته باشید.
• محدودیت‌های جغرافیایی و تأخیر شبکه: سرویس Rekognition در تمام مناطق AWS در دسترس نیست. انتخاب یک منطقه جغرافیایی نزدیک به کاربران نهایی برای کاهش تأخیر (latency) اهمیت دارد. برای تحلیل‌های آنی (real-time)، حتی میلی‌ثانیه‌ها نیز می‌توانند تفاوت ایجاد کنند.

جدول مقایسه: AWS Rekognition در برابر رقبا

برای درک بهتر جایگاه AWS Rekognition در بازار، در جدول زیر این سرویس با دو رقیب اصلی خود، Google Cloud Vision AI و Microsoft Azure AI Vision، مقایسه شده است.

آخرین به‌روزرسانی‌ها و آینده AWS Rekognition

آمازون به طور مداوم در حال سرمایه‌گذاری و بهبود سرویس Rekognition است. در سال‌های اخیر، شاهد نوآوری‌های مهمی بوده‌ایم که قابلیت‌های این پلتفرم را گسترش داده‌اند. یکی از مهم‌ترین به‌روزرسانی‌ها، معرفی قابلیت تشخیص تجهیزات حفاظت شخصی (PPE Detection) بوده است.

این ویژگی به کسب‌وکارها، به‌ویژه در بخش‌های ساخت‌وساز و صنعتی، کمک می‌کند تا با تحلیل تصاویر و ویدئوها از دوربین‌های مداربسته، اطمینان حاصل کنند که کارکنان از تجهیزات ایمنی مانند کلاه، ماسک و دستکش استفاده می‌کنند و بدین ترتیب ایمنی محیط کار را افزایش دهند.

یکی دیگر از پیشرفت‌های کلیدی، بهبود چشمگیر در دقت و کاهش سوگیری در الگوریتم‌های تحلیل چهره و تشخیص چهره بوده است. آمازون با انتشار نتایج تحقیقات و معیارهای استاندارد صنعتی، شفافیت بیشتری در مورد عملکرد مدل‌های خود ارائه داده است. همچنین، قابلیت تشخیص زنده بودن چهره (Face Liveness Detection) که اخیراً معرفی شده، یک گام بزرگ در مبارزه با جعل هویت و افزایش امنیت سیستم‌های احراز هویت بیومتریک به شمار می‌رود.

آینده AWS Rekognition به سمت ارائه تحلیل‌های دقیق‌تر، سریع‌تر و با قابلیت سفارشی‌سازی بیشتر حرکت می‌کند. انتظار می‌رود که شاهد ادغام عمیق‌تر با فناوری‌های واقعیت افزوده (AR) و اینترنت اشیاء (IoT) باشیم، جایی که تحلیل‌های آنی از استریم‌های ویدئویی دوربین‌های هوشمند، کاربردهای نوآورانه‌ای را در خانه‌های هوشمند، شهرهای هوشمند و خرده‌فروشی‌های نسل آینده ممکن می‌سازد.

جمع‌بندی: چرا AWS Rekognition ابزاری متحول‌کننده است؟

AWS Rekognition چیزی فراتر از یک ابزار فنی است؛ این یک پل است که پیچیده‌ترین مفاهیم هوش مصنوعی و بینایی کامپیوتر را به دنیای کاربردی و تجاری متصل می‌کند. این سرویس با حذف موانع فنی و هزینه‌های سنگین مرتبط با ساخت مدل‌های یادگیری ماشین از ابتدا، به سازمان‌ها در هر اندازه‌ای قدرت می‌دهد تا از داده‌های بصری خود ارزش استخراج کنند.

از یک استارتاپ کوچک که می‌خواهد محتوای تولیدی کاربران را تعدیل کند، تا یک شرکت بزرگ رسانه‌ای که به دنبال آرشیو کردن هوشمند هزاران ساعت ویدئو است، و یا یک بانک که قصد دارد امنیت فرآیند احراز هویت آنلاین خود را با تشخیص زنده بودن چهره افزایش دهد، Rekognition راه‌حلی مقیاس‌پذیر، قابل اعتماد و کارآمد ارائه می‌دهد.

در این راهنمای جامع، ما سفر خود را از ایجاد حساب کاربری و تنظیمات اولیه آغاز کردیم، با نحوه ساخت درخواست‌های بهینه به API آشنا شدیم، قابلیت‌های متنوع آن از تحلیل تصویر تا ویدئو را بررسی کردیم و محدودیت‌های آن را شناختیم. AWS Rekognition یک ابزار متحول‌کننده است زیرا نوآوری را دموکراتیزه می‌کند و به شما اجازه می‌دهد تا به جای درگیر شدن با زیرساخت‌های پیچیده، بر روی حل مسائل واقعی کسب‌وکار خود تمرکز کنید.

سوالات متداول (FAQ)

در این بخش به برخی از سوالات رایج در مورد سرویس AWS Rekognition پاسخ می‌دهیم.

AWS Rekognition چیست و چه کاربردهایی دارد؟

AWS Rekognition یک سرویس مبتنی بر ابر از آمازون برای تحلیل خودکار تصویر و ویدئو با استفاده از یادگیری عمیق است. این سرویس به کسب‌وکارها اجازه می‌دهد تا قابلیت‌های بینایی کامپیوتر مانند شناسایی اشیاء، تحلیل چهره، تشخیص متن و تعدیل محتوا را به راحتی و بدون نیاز به تخصص در یادگیری ماشین به اپلیکیشن‌های خود اضافه کنند.

آیا برای استفاده از Rekognition نیاز به دانش یادگیری ماشین دارم؟

خیر. یکی از بزرگترین مزایای AWS Rekognition این است که مدل‌های یادگیری عمیق آن از پیش آموزش دیده‌اند. شما تنها با فراخوانی یک API ساده می‌توانید از قابلیت‌های پیشرفته آن استفاده کنید و نیازی به ساخت، آموزش یا مدیریت مدل‌های ML ندارید.

مدل قیمت‌گذاری AWS Rekognition چگونه است؟

Rekognition از مدل قیمت‌گذاری پرداخت به ازای مصرف (Pay-as-you-go) استفاده می‌کند. هزینه‌ها بر اساس تعداد تصاویر یا دقایق ویدئویی که تحلیل می‌کنید محاسبه می‌شود. همچنین یک سطح استفاده رایگان (Free Tier) برای کاربران جدید وجود دارد که به شما امکان می‌دهد ماهانه تعداد مشخصی تحلیل را به صورت رایگان انجام دهید.

تفاوت بین ‘شناسایی چهره’ و ‘تشخیص چهره’ در Rekognition چیست؟

‘شناسایی چهره’ (Face Detection) به فرایند پیدا کردن و مشخص کردن وجود چهره در یک تصویر یا ویدئو گفته می‌شود. اما ‘تشخیص چهره’ (Facial Recognition) یک گام فراتر رفته و هویت فرد را با مقایسه چهره شناسایی‌شده با یک پایگاه داده از چهره‌های شناخته‌شده، تعیین می‌کند.

چگونه می‌توانم از نتایج تحلیل Rekognition در اپلیکیشن خود استفاده کنم؟

سرویس Rekognition نتایج تحلیل را در قالب یک فایل JSON ساختاریافته برمی‌گرداند. این فایل شامل اطلاعات دقیقی مانند برچسب‌ها، مختصات اشیاء، ویژگی‌های چهره و درصد اطمینان هر تحلیل است. شما می‌توانید این خروجی JSON را به راحتی در کد اپلیکیشن خود پارس کرده و از داده‌های آن برای منطق برنامه استفاده نمایید.

آیا آماده‌اید تا قدرت هوش مصنوعی و بینایی کامپیوتر را در کسب‌وکار خود به کار گیرید؟ پیاده‌سازی راه‌حل‌هایی مانند AWS Rekognition می‌تواند پیچیدگی‌های خاص خود را داشته باشد. تیم متخصصان ما در هیجده آماده است تا با ارائه مشاوره تخصصی، به شما در طراحی، پیاده‌سازی و بهینه‌سازی بهترین راهکارهای تحلیل تصویر و ویدئو کمک کند. برای شروع تحول دیجیتال کسب‌وکار خود، همین امروز با ما تماس بگیرید.

منابع (References)

1. Amazon Web Services. (n.d.). What is Amazon Rekognition? AWS Documentation. Retrieved from https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html
2. Amazon Web Services. (n.d.). Amazon Rekognition Pricing. AWS. Retrieved from https://aws.amazon.com/rekognition/pricing/
3. Google Cloud. (n.d.). Vision AI. Google Cloud. Retrieved from https://cloud.google.com/vision
4. Microsoft Azure. (n.d.). Azure AI Vision. Microsoft Azure. Retrieved from https://azure.microsoft.com/en-us/products/ai-services/ai-vision
5. Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep learning for computer vision: A brief review. Computational intelligence and neuroscience, 2018.