Amazon Rekognition、Amazon Neptune、Amazon Bedrockを使用したインテリジェントな写真検索システムの構築

Amazon Rekognition、Amazon Neptune、および Amazon Bedrock を活用したインテリジェントな写真検索システムの構築 大規模な写真コレクションの管理は、組織や個人にとって大きな課題となっています。従来のアプローチでは、手動でのタグ付け、基本的なメタデータ、フォルダベースの整理に依存しており、複数の人物や複雑な関係性が含まれる数千枚もの画像を扱う場合、実用的でなくなることがあります。インテリジェントな写真検索システムは、コンピュータビジョン、グラフデータベース、自然言語処理を組み合わせることで、視覚コンテンツの発見と整理の方法を変革します。これらのシステムは、写真に写っている人物や物が誰であるかだけでなく、それらを意味あるものとする複雑な関係性や文脈も捉え、自然言語によるクエリやセマンティック検索を可能にします。 本稿では、顔検出およびオブジェクト検出に Amazon Rekognition を、関係性のマッピングに Amazon Neptune を、AI によるキャプション生成に Amazon Bedrock を統合した包括的な写真検索システムを AWS Cloud Development Kit (AWS CDK) を用いて構築する方法を示します。これらのサービスがどのように連携して、「誕生日会での孫たちと祖父母の写真をすべて見つけてください」や「ロードトリップ中の家族の車の写真を表示してください」といった自然言語によるクエリを理解するシステムを創り出すのかを実演します。 主な利点は、特定の人物、オブジェクト、または関係性に焦点を当てた検索のパーソナライズとカスタマイズが可能でありながら、数千枚の写真や複雑な家族・組織構造に対応してスケーリングできる点です。私たちのアプローチは、Amazon Neptune グラフデータベースの機能を Amazon AI サービスと統合することで、単純なメタデータタグ付けを超えて文脈と関係を理解する自然言語による写真検索を実現し、インテリジェントな写真発見を可能にすることを示しています。これは、特定のユースケースに合わせてデプロイおよびカスタマイズ可能な完全なサーバーレス実装を通じて紹介されます。 ソリューションの概要 このセクションでは、インテリジェント写真検索システムの技術アーキテクチャとワークフローについて説明します。以下の図に示すように、本ソリューションはサーバーレスの AWS サービスを使用して、写真を自動的に処理し自然言語検索を可能にするスケーラブルでコスト効果の高いシステムを構築します。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/p1.png) サーバーレスアーキテクチャは、複数のユースケースに対して効率的にスケーリングします: 企業 - 従業員認識とイベント文書の作成 医療 - 関係性の追跡を伴う HIPAA準拠の写真管理 教育 - 部署横断的な学生および教職員の写真整理 イベント - 自動タグ付けとクライアントへの納品を備えたプロフェッショナルな撮影 本アーキテクチャは、文脈を意識した写真検索システムを構築するために、いくつかの AWS サービスを組み合わせています。 REST API エンドポイントおよび Web インターフェース統合用の Amazon API Gateway AI による文脈画像キャプション生成のための Anthropic の Claude 3.5 Sonnet を備えた Amazon Bedrock 高速なメタデータの保存および検索用の Amazon DynamoDB ソリューションコンポーネント全体にわたるサーバーレスコンピューティングのオーケストレーションを行う AWS Lambda 複雑な関係をグラフデータベースとして保存するための Amazon Neptune 顔検出、認識、オブジェクトラベリングのための Amazon Rekognition スケーラブルな写真ストレージおよび処理ワークフローのトリガー用の Amazon Simple Storage Service (Amazon S3) 本システムは以下の簡素化されたワークフローに従います: 画像は自動 Lambda トリガー付きで S3 バケットにアップロードされます。 faces/ プレフィックス内の参照写真は、認識モデルを構築するために処理されます。 新しい写真がトリガーされると、Amazon Rekognition によって顔検出とオブジェクトラベリングが行われます。 Neptune は人々、オブジェクト、および文脈間の接続を保存します。 Amazon Bedrock は検出された顔と関係性を用いて文脈的な説明を作成します。 DynamoDB は高速検索機能を持つ検索可能なメタデータを保存します。 自然言語クエリは Neptune グラフを横断し、インテリジェントな結果を取得します。 完全なソースコードは GitHub で利用可能です。 このソリューションを実装する前に、以下の準備を整えてください: Amazon S3、Lambda、Amazon Rekognition、Neptune、Amazon Bedrock、および DynamoDB に対する適切な権限を持つ AWS アカウント プログラムmatic アクセスで構成された AWS Command Line Interface (AWS CLI) v2.15.0 以降 AWS CDK v2.92.0 以降がインストールされていること（npm install -g aws-cdk） pip パッケージマネージャーを備えた Python 3.11 以降 AWS CDK の操作に使用する Node.js 18.x 以降 サーバーレスアーキテクチャおよびグラフデータベースに関する基本的な知識 AWS リージョン内で Amazon Bedrock を通じて Anthropic の Claude 3.5 Sonnet にアクセスできること ソリューションのデプロイ GitHub リポジトリから完全なソースコードをダウンロードしてください。より詳細なセットアップとデプロイの手順は README で確認できます。 プロジェクトは、関心の分離とモジュール型開発を可能にするいくつかの主要ディレクトリに整理されています: smart-photo-caption-and-search/ ├── lambda/ │ ├── face_indexer.py # Rekognition 内の参照顔のインデックス作成 │ ├── faces_handler.py # API を介してインデックスされた顔の一覧表示 │ ├── image_processor.py # メイン処理パイプライン │ ├── search_handler.py # 検索クエリの処理 │ ├── style_caption.py # スタイル付きキャプションの生成 │ ├── relationships_handler_neptune.py # Neptune リレーションシップの管理 │ ├── label_relationships.py # ラベル階層の照会 │ └── neptune_search.py # Neptune リレーションシップの解析 ├── lambda_layer/ # Pillow 画像処理レイヤー ├── neptune_layer/ # Gremlin Python Neptune レイヤー ├── ui/ │ └── demo.html # Cognito 認証を備えた Web インターフェース ├── app.py # CDK アプリケーションのエントリーポイント ├── image_name_cap_stack_neptune.py # Neptune 対応の CDK スack └── requirements_neptune.txt # Python の依存関係 本ソリューションでは、以下の主要な Lambda 関数を使用します: image_processor.py – 顔認識、ラベル検出、関係性を強化したキャプション生成を備えたコア処理 search_handler.py – マルチステップの関係性トラバーサルを伴う自然言語クエリ処理 relationships_handler_neptune.py – 設定駆動型の関係性管理とグラフ接続 label_relationships.py – 階層的ラベル照会、オブジェクトと人物の関連付け、意味的発見 ソリューションを展開するには、以下の手順を実行してください。 依存関係をインストールするために、次のコマンドを実行します: pip install -r requirements_neptune.txt 初回セットアップの場合は、AWS CDK をブートストラップするために、次のコマンドを実行します: AWS リソースをプロビジョニングするために、次のコマンドを実行します: Web UI で Amazon Cognito ユーザープール認証情報を設定します。 認識の基準となるよう、参照用写真をアップロードします。 API または Web UI を使用して、サンプルの家族関係を作成します。 本システムは、サーバーレスパイプラインを通じて顔認識、ラベル検出、関係性の解決、AI によるキャプション生成を自動的に処理し、Neptune グラフトラバーサルによって駆動される「車を持つ人物の母親」のような自然言語クエリを可能にします。 主要機能とユースケース このセクションでは、本ソリューションの主要機能とユースケースについて説明します。 顔認識とタグ付けの自動化 Amazon Rekognition を使用すれば、手動でのタグ付けなしに、参照写真から個人を自動的に識別できます。各人物について数枚の明確な画像をアップロードするだけで、照明や角度に関係なく、コレクション全体でその人物を認識します。この自動化により、タグ付けにかかる時間が数週間から数時間に短縮され、企業ディレクトリ、コンプライアンスアーカイブ、イベント管理ワークフローをサポートします。 関係性を意識した検索を有効にする Neptune を使用することで、本ソリューションは写真に誰が写っているか、そして彼らがどのように関連しているかを理解します。「サラの上司」や「子供たちといる母親」といった自然言語クエリを実行可能で、システムは多段の関係性をたどって関連画像を返します。この意味検索により、手動でのフォルダ整理に代わり、直感的で文脈を意識した発見が可能になります。 オブジェクトとコンテキストを自動的に理解する Amazon Rekognition はオブジェクト、シーン、アクティビティを検出し、Neptune がそれらを人物や関係性と結びつけます。これにより、「社用車を持つ役員」や「教室にいる教師」といった複雑なクエリが可能になります。ラベル階層は動的に生成され、手動設定なしでヘルスケアや教育など異なるドメインに適応します。 Amazon Bedrock で文脈を意識したキャプションを生成する Amazon Bedrock を使用することで、システムは「Sarah と彼女のマネージャーが四半期決算について議論している」のように意味があり、関係性を意識したキャプションを生成し、単なる汎用的なキャプションに代えます。キャプションのトーン（コンプライアンス向けには客観的、マーケティング向けには物語調、経営層向けの要約には簡潔など）を調整可能であり、検索可能性とコミュニケーションの両方を強化します。 直感的な Web 体験を提供する Web UI を通じて、ユーザーは自然言語で写真を検索し、AI が生成したキャプションを表示し、トーンを動的に調整できます。例えば、「子供連れの母親」や「屋外活動」といったクエリを入力すると、関連するキャプション付きの結果が即座に表示されます。この統合された体験は、エンタープライズワークフローと個人コレクションの両方をサポートします。 以下のスクリーンショットは、インテリジェントな写真検索およびキャプションスタイル化のために Web UI を使用した様子を示しています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/p2.png) ラベル階層でグラフ関係をスケーリングする Neptune は、組織間またはデータセット全体にわたる数千もの関係とラベル階層をモデル化するためにスケールします。関係性は画像処理中に自動的に生成されるため、データの成長に伴ってもパフォーマンスと柔軟性を維持しながら、高速な意味論的発見が可能になります。 以下の図は、人物関係グラフの例（設定駆動型）を示しています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/p3.png) 人物間の関係性は、initialize_relationship_data() 関数に渡される JSON データ構造を通じて設定されます。 以下の図は、Amazon Rekognition から自動的に生成されたラベル階層グラフの例を示しています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/p4.png) ラベル階層と共起パターンは、画像処理中に自動的に生成されます。Amazon Rekognition は、belongs_to 関係を作成するためのカテゴリ分類を提供します。 以下のスクリーンショットは、完全なグラフの一部を示しており、多層的な関係型の例をデモンストレーションしています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/p5.png) データベース生成メソッド 関係グラフは、initialize_relationship_data() 関数を通じた柔軟な設定駆動型アプローチを使用しています。 # 汎用的な設定構造 config = { "people": [ {"name": "alice", "gender": "woman", "role": "mother"}, {"name": "jane", "gender": "girl", "role": "daughter"} ], "relationships": [ {"from": "alice", "to": "jane", "type": "parent_of", "subtype": "mother_of"}, {"from": "jane", "to": "david", "type": "sibling_of", "bidirectional": True} ] } # 汎用的な関係性の作成 for rel in relationships_data: g.V().has('name', rel["from"]).addE(rel["type"]).to( __.V().has('name', rel["to"]) ).property('type', rel["subtype"]).next() # ビジネス例 - 設定を変更するだけで対応可能 business_config = { "people": [{"name": "sarah", "role": "manager"}], "relationships": [{"from": "sarah", "to": "john", "type": "manages", "subtype": "manager_of"}] } ラベル付きリレーションシップデータベースは、画像処理時に store_labels_in_neptune() 関数を通じて自動的に作成されます。 # Rekognition はカテゴリ付きのラベルを提供します response = rekognition.detect_labels( Image={'Bytes': image_bytes}, MaxLabels=20, MinConfidence=70 ) # ラベルとカテゴリを抽出 for label in response.get('Labels', []): label_data = { 'name': label['Name'], # 例："Car" 'categories': [cat['Name'] for cat in label.get('Categories', [])] # 例：["Vehicle", "Transportation"] } # Neptune における自動階層構造の作成 for category in categories: # belongs_to リレーションシップを作成 (Car -> Vehicle -> Transportation) g.V().has('name', label_name).addE('belongs_to').to( __.V().ha

Amazon Rekognition、Amazon Neptune、Amazon Bedrockを使用したインテリジェントな写真検索システムの構築

背景や根拠まで確認しますか？

調べる

選ぶ

サイト