Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Objekterkennung - MXNet
Der Amazon SageMaker AI Object Detection — MXNet Algorithmus erkennt und klassifiziert Objekte in Bildern mithilfe eines einzigen tiefen neuronalen Netzwerks. Es handelt sich um einen überwachten Lernalgorithmus, der Bilder als Eingabe akzeptiert und alle Instances von Objekten innerhalb der Bilderszene identifiziert. Das Objekt wird in eine der Klassen in einer bestimmten Sammlung mit einem Zuverlässigkeitswert, dass es dieser Klasse angehört, kategorisiert. Die Position und Skalierung im Bild werden durch einen rechteckigen Begrenzungsrahmen angegeben. Er verwendet das [Single Shot Multibox Detector (SSD)](https://arxiv.org/pdf/1512.02325.pdf) -Framework und unterstützt zwei Basisnetzwerke: [VGG](https://arxiv.org/pdf/1409.1556.pdf) und. [ResNet](https://arxiv.org/pdf/1603.05027.pdf) Das Netzwerk kann von Grund auf neu trainiert oder mit Modellen trainiert werden, die anhand des Datensatzes vorab trainiert wurden. [ImageNet](http://www.image-net.org/)
**Topics**
+ [E/A-Schnittstelle für den Objekterkennungsalgorithmus](#object-detection-inputoutput)
+ [EC2-Instance-Empfehlung für den Objekterkennungsalgorithmus](#object-detection-instances)
+ [Beispiel-Notebooks für die Objekterkennung](#object-detection-sample-notebooks)
+ [So funktioniert die Objekterkennung](algo-object-detection-tech-notes.md)
+ [Objekterkennungshyperparameter](object-detection-api-config.md)
+ [Optimieren eines Objekterkennungsmodells](object-detection-tuning.md)
+ [Anforderungs- und Antwortformate für die Objekterkennung](object-detection-in-formats.md)
## E/A-Schnittstelle für den Objekterkennungsalgorithmus
Der SageMaker KI-Objekterkennungsalgorithmus unterstützt sowohl die Inhaltstypen RecordIO (`application/x-recordio`) als auch image (`image/png``image/jpeg`, und`application/x-image`) für das Training im Dateimodus und RecordIO (`application/x-recordio`) für das Training im Pipe-Modus. Allerdings können Sie das Training auch im Pipe-Modus mit den Bilddateien (`image/png`, `image/jpeg`, und `application/x-image`) vornehmen, ohne RecordIO-Dateien zu erstellen. Verwenden Sie dann das erweiterte Manifestformat. Das empfohlene Eingabeformat für die Amazon SageMaker AI-Objekterkennungsalgorithmen ist [Apache MXNet RecordIO](https://mxnet.apache.org/api/architecture/note_data_loading). Sie können jedoch auch unpräparierte Bilder im JPEG- oder PNG-Format verwenden. Der Algorithmus unterstützt nur `application/x-image` für Inferenzen.
**Anmerkung**
Um eine bessere Interoperabilität mit bestehenden Deep-Learning-Frameworks aufrechtzuerhalten, unterscheidet sich dies von den Protobuf-Datenformaten, die üblicherweise von anderen Amazon SageMaker AI-Algorithmen verwendet werden.
Weitere Details zu Datenformaten finden Sie unter [Beispiel-Notebooks für die Objekterkennung](#object-detection-sample-notebooks).
### Schulen mit dem RecordIO-Format
Wenn Sie das RecordIO-Format für Trainings verwenden, geben Sie sowohl den train- als auch den und validation-Kanal als Werte für den `InputDataConfig`-Parameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)-Anforderung an. Geben Sie eine RecordIO-Datei (.rec) im train-Kanal und eine RecordIO-Datei im validation-Kanal an. Legen Sie den Inhaltstyp für beide Kanäle auf `application/x-recordio` fest. Ein Beispiel dafür, wie Sie eine RecordIO-Datei generieren, finden Sie im Beispiel-Notebook für die Objekterkennung. Sie können auch Tools von [GluonCV](https://gluon-cv.mxnet.io/build/examples_datasets/recordio.html) verwenden, um RecordIo-Dateien für beliebte Datensätze wie die [PASCAL Visual Object Classes](http://host.robots.ox.ac.uk/pascal/VOC/) und [Common Objects in](http://cocodataset.org/#home) Context (COCO) zu generieren. MXNet
### Schulen mit dem Bildformat
Wenn Sie das Bildformat für Trainings verwenden, geben Sie die `train`-, `validation`-, – `train_annotation`und `validation_annotation`-Kanäle als Werte für den `InputDataConfig`-Parameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)-Anforderung an. Geben Sie die individuellen Bilddaten (.jpg- oder .png-Dateien) für die Kanäle train und validation an. Für Anmerkungsdaten können Sie das JSON-Format verwenden. Geben Sie die entsprechenden JSON-Dateien in den Kanälen `train_annotation` und `validation_annotation` an. Legen Sie den Inhaltstyp für alle vier Kanäle basierend auf dem Bildtyp auf `image/png` oder `image/jpeg` fest. Sie können auch den Inhaltstyp `application/x-image` verwenden, wenn Ihr Datensatz sowohl JPG- als auch PNG-Bilder enthält. Nachfolgend finden Sie ein Beispiel für eine .json-Datei.
```
{
"file": "your_image_directory/sample_image1.jpg",
"image_size": [
{
"width": 500,
"height": 400,
"depth": 3
}
],
"annotations": [
{
"class_id": 0,
"left": 111,
"top": 134,
"width": 61,
"height": 128
},
{
"class_id": 0,
"left": 161,
"top": 250,
"width": 79,
"height": 143
},
{
"class_id": 1,
"left": 101,
"top": 185,
"width": 42,
"height": 130
}
],
"categories": [
{
"class_id": 0,
"name": "dog"
},
{
"class_id": 1,
"name": "cat"
}
]
}
```
Jedes Bild benötigt eine .json-Datei für Anmerkungen. Die .json-Datei sollte denselben Namen haben wie das entsprechende Bild. Der Name der oben genannten .json-Datei sollte "sample\$1image1.json" lauten. Es gibt vier Eigenschaften in der .json-Anmerkungsdatei. Die Eigenschaft "file" gibt den relativen Pfad der Bilddatei an. Wenn Ihre Trainingsbilder und die entsprechenden .json-Dateien beispielsweise in s3://*your\$1bucket*/train/sample\$1image und s3://*your\$1bucket*/train\$1annotation gespeichert sind, geben Sie den Pfad für Ihre Train- und train\$1annotation-Kanäle jeweils als s3://*your\$1bucket*/train und s3://*your\$1bucket*/train\$1annotation an.
In der .json-Datei sollte der relative Pfad für ein Bild mit dem Namen "/sample\$1image1.jpg" "sample\$1image/sample\$1image1.jpg" lauten. Die `"image_size"`-Eigenschaft gibt die allgemeinen Bildabmessungen an. SageMaker Der KI-Algorithmus zur Objekterkennung unterstützt derzeit nur 3-Kanal-Bilder. Die `"annotations"`-Eigenschaft gibt die Kategorien und Begrenzungsrahmen für Objekte innerhalb des Bildes an. Jedes Objekt wird von einem `"class_id"` Index mit Anmerkungen und vier Koordinaten des Begrenzungsrahmens (`"left"`, `"top"`, `"width"`, `"height"`) versehen. Die Werte `"left"` (x-Koordinate) und `"top"` (y-Koordinate) stellen die obere linke Ecke des Begrenzungsrahmens dar. Die Werte `"width"` (x-Koordinate) und `"height"` (y-Koordinate) stellen die Abmessungen des Begrenzungsrahmens dar. Der Ursprung (0, 0) ist die obere linke Ecke des gesamten Bildes. Wenn mehrere Objekte innerhalb eines Bildes vorliegen, werden alle Anmerkungen in einer einzelnen .json-Datei aufgeführt. Die `"categories"`-Eigenschaft speichert die Zuweisung zwischen dem Klassenindex und dem Klassennamen. Die Klassenindizes sollten aufeinanderfolgend nummeriert sein und die Nummerierung sollte mit 0 beginnen. Die `"categories"`-Eigenschaft ist für die .json-Anmerkungsdatei optional.
### Trainieren mit dem erweiterten Manifest-Image-Format
Im erweiterten Manifestformat können Sie Trainings im Pipe-Modus mit den Bilddateien vornehmen, ohne RecordIO-Dateien erstellen zu müssen. Sie müssen sowohl den train- als auch den und validation-Kanal als Werte für den `InputDataConfig`-Parameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)-Anforderung angeben. Beim Verwenden dieses Formats muss eine S3-Manifestdatei generiert werden, die die Liste der Bilder und der entsprechenden Anmerkungen enthält. Das Manifestdateiformat sollte im [JSON Lines](http://jsonlines.org/)-Format vorliegen, bei dem jede Zeile ein Muster darstellt. Die Bilder werden mithilfe des `'source-ref'`-Tags, das auf den S3-Speicherort der Bilder zeigt, angegeben. Die Anmerkungen werden unter dem Parameterwert `"AttributeNames"` bereitgestellt, wie in der Anforderung [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) angegeben. Es können auch zusätzliche Metadaten unter dem `metadata`-Tag enthalten sein. Diese werden jedoch vom Algorithmus ignoriert. Im folgenden Beispiel sind die `"AttributeNames` in der Liste `["source-ref", "bounding-box"]` enthalten:
```
{"source-ref": "s3://your_bucket/image1.jpg", "bounding-box":{"image_size":[{ "width": 500, "height": 400, "depth":3}], "annotations":[{"class_id": 0, "left": 111, "top": 134, "width": 61, "height": 128}, {"class_id": 5, "left": 161, "top": 250, "width": 80, "height": 50}]}, "bounding-box-metadata":{"class-map":{"0": "dog", "5": "horse"}, "type": "groundtruth/object-detection"}}
{"source-ref": "s3://your_bucket/image2.jpg", "bounding-box":{"image_size":[{ "width": 400, "height": 300, "depth":3}], "annotations":[{"class_id": 1, "left": 100, "top": 120, "width": 43, "height": 78}]}, "bounding-box-metadata":{"class-map":{"1": "cat"}, "type": "groundtruth/object-detection"}}
```
Beim Training mit dem Objekterkennungsalgorithmus muss die Reihenfolge der `"AttributeNames"` in den Eingabedateien beachtet werden. Er akzeptiert Daten, die in einer bestimmten Reihenfolge übergeben werden. Dabei kommt `image` zuerst, gefolgt von `annotations`. Die "AttributeNames" in diesem Beispiel werden also `"source-ref"` zuerst mit versehen, gefolgt von`"bounding-box"`. Bei der Verwendung der Objekterkennung mit dem erweiterten Manifest muss für den Parameter `RecordWrapperType` der Wert `"RecordIO"` festgelegt werden.
Weitere Informationen zu erweiterten Manifestdateien finden Sie unter [Erweiterte Manifestdateien für Trainingsjobs](augmented-manifest.md).
### Inkrementelles Training
Sie können das Training eines neuen Modells auch anhand der Artefakte eines Modells starten, das Sie zuvor mit SageMaker KI trainiert haben. Inkrementelles Training spart Trainingszeit, wenn Sie ein neues Modell mit denselben oder ähnlichen Daten trainieren möchten. SageMaker KI-Objekterkennungsmodelle können nur mit einem anderen integrierten Objekterkennungsmodell erstellt werden, das in SageMaker KI trainiert wurde.
Um ein vortrainiertes Modell zu verwenden, geben Sie in der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)-Anforderung den `ChannelName` als "model" im `InputDataConfig`-Parameter an. Legen Sie den `ContentType` für den Modellkanal auf `application/x-sagemaker-model` fest. Die Eingabehyperparameter des neuen und des vortrainierten Modells, die Sie in den Modellkanal hochladen, müssen die gleichen Einstellungen für die Eingabeparameter `base_network` und `num_classes` besitzen. Diese Parameter definieren die Netzwerkarchitektur. Verwenden Sie für die vortrainierte Modelldatei die komprimierten Modellartefakte (im Format .tar.gz), die von AI ausgegeben werden. SageMaker Sie können entweder RecordIO- oder Bildformate als Eingabedaten verwenden.
Weitere Informationen zum inkrementellen Training und Anweisungen zu dessen Verwendung finden Sie unter [Verwenden Sie inkrementelles Training in Amazon AI SageMaker](incremental-training.md).
## EC2-Instance-Empfehlung für den Objekterkennungsalgorithmus
Der Objekterkennungsalgorithmus unterstützt die GPU-Instance-Familien P2, P3, G4dn und G5. Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Sie können den Objekterkennungsalgorithmus in Multi-GPU- und Multi-Maschinen-Umgebungen für verteiltes Training ausführen.
Sie können entweder CPU-Instances (z. B. „C5“ und „M5“) und GPU-Instances (z. B. P3 und G4dn) verwenden.
## Beispiel-Notebooks für die Objekterkennung
Für ein Beispiel-Notizbuch, das zeigt, wie der SageMaker KI-Objekterkennungsalgorithmus verwendet wird, um ein Modell auf dem zu trainieren und zu hosten
Datensatz von [Caltech Birds (CUB 200 2011)](http://www.vision.caltech.edu/datasets/cub_200_2011/), der den Single Shot Multibox Detector-Algorithmus verwendet, siehe [Amazon SageMaker AI Object Detection for](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/object_detection_birds/object_detection_birds.html) Bird Species. Anweisungen zum Erstellen und Zugreifen auf Jupyter-Notebook-Instances, mit denen Sie das Beispiel in KI ausführen können, finden Sie unter. SageMaker [SageMaker Amazon-Notebook-Instanzen](nbi.md) Nachdem Sie eine Notebook-Instanz erstellt und geöffnet haben, wählen Sie den Tab **SageMaker KI-Beispiele** aus, um eine Liste aller KI-Beispiele zu sehen. SageMaker Das Beispiel-Notebook zur Objekterkennung, das den Objekterkennungsalgorithmus verwendet, befindet sich im Abschnitt **Einführung in Amazon-Algorithmen**. Zum Öffnen eines Notebooks klicken Sie auf die Registerkarte **Use (Verwenden)** und wählen Sie **Create copy (Kopie erstellen)** aus.
Weitere Informationen zum Amazon SageMaker AI Object Detection-Algorithmus finden Sie in den folgenden Blogbeiträgen:
+ [Trainieren und Ausführen des Amazon SageMaker AI-Objekterkennungsmodells AWS IoT Greengrass — Teil 1 von 3: Vorbereiten von Trainingsdaten](https://aws.amazon.com/blogs/iot/sagemaker-object-detection-greengrass-part-1-of-3/)
+ [Trainieren des Amazon SageMaker AI-Objekterkennungsmodells und dessen Ausführung AWS IoT Greengrass — Teil 2 von 3: Trainieren eines benutzerdefinierten Objekterkennungsmodells](https://aws.amazon.com/blogs/iot/sagemaker-object-detection-greengrass-part-2-of-3/)
+ [Trainieren des Amazon SageMaker KI-Objekterkennungsmodells und dessen Ausführung AWS IoT Greengrass — Teil 3 von 3: Einsatz am Edge](https://aws.amazon.com/blogs/iot/sagemaker-object-detection-greengrass-part-3-of-3/)