Antarmuka input dan output untuk Deteksi Objek - TensorFlow algoritma - Amazon SageMaker AI
Pelatihan tambahanInferensi dengan Deteksi Objek - algoritma TensorFlow

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Antarmuka input dan output untuk Deteksi Objek - TensorFlow algoritma

Masing-masing model terlatih yang tercantum dalam TensorFlow Model dapat disetel dengan baik ke kumpulan data apa pun dengan sejumlah kelas gambar. Perhatikan cara memformat data pelatihan Anda untuk masukan ke Deteksi Objek - TensorFlow model.

  • Format input data pelatihan: Data pelatihan Anda harus berupa direktori dengan images subdirektori dan annotations.json file.

Berikut ini adalah contoh struktur direktori input. Direktori input harus di-host di bucket Amazon S3 dengan jalur yang mirip dengan berikut ini:. s3://bucket_name/input_directory/ Perhatikan bahwa trailing / diperlukan.

input_directory
    |--images
        |--abc.png
        |--def.png
    |--annotations.json

annotations.jsonFile harus berisi informasi untuk kotak pembatas dan label kelas mereka dalam bentuk kamus "images" dan "annotations" kunci. Nilai untuk "images" kunci harus berupa daftar kamus. Harus ada satu kamus untuk setiap gambar dengan informasi berikut:{"file_name": image_name, "height": height, "width": width, "id": image_id}. Nilai untuk "annotations" kunci juga harus berupa daftar kamus. Harus ada satu kamus untuk setiap kotak pembatas dengan informasi berikut:{"image_id": image_id, "bbox": [xmin, ymin, xmax, ymax], "category_id": bbox_label}.

Setelah pelatihan, file pemetaan label dan model terlatih disimpan ke bucket Amazon S3 Anda.

Pelatihan tambahan

Anda dapat menyemai pelatihan model baru dengan artefak dari model yang Anda latih sebelumnya dengan SageMaker AI. Pelatihan tambahan menghemat waktu pelatihan ketika Anda ingin melatih model baru dengan data yang sama atau serupa.

catatan

Anda hanya dapat menyemai Deteksi Objek SageMaker AI - TensorFlow model dengan Deteksi Objek lain - TensorFlow model yang dilatih dalam SageMaker AI.

Anda dapat menggunakan kumpulan data apa pun untuk pelatihan tambahan, selama kumpulan kelas tetap sama. Langkah pelatihan inkremental mirip dengan langkah fine-tuning, tetapi alih-alih memulai dengan model yang telah dilatih sebelumnya, Anda mulai dengan model fine-tuning yang ada. Untuk informasi selengkapnya tentang cara menggunakan pelatihan tambahan dengan Deteksi Objek SageMaker AI - TensorFlow, lihat buku catatan Pengantar SageMaker TensorFlow - Deteksi Objek.

Inferensi dengan Deteksi Objek - algoritma TensorFlow

Anda dapat meng-host model yang disetel dengan baik yang dihasilkan dari pelatihan Deteksi TensorFlow Objek Anda untuk inferensi. Setiap gambar input untuk inferensi harus dalam.jpg,. jpeg, atau .png format dan menjadi tipe kontenapplication/x-image. Deteksi Objek - TensorFlow algoritma mengubah ukuran gambar input secara otomatis.

Menjalankan inferensi menghasilkan kotak pembatas, kelas yang diprediksi, dan skor setiap prediksi yang dikodekan dalam format JSON. Deteksi Objek - TensorFlow model memproses satu gambar per permintaan dan hanya menghasilkan satu baris. Berikut ini adalah contoh respons format JSON:

accept: application/json;verbose

{"normalized_boxes":[[xmin1, xmax1, ymin1, ymax1],....], 
    "classes":[classidx1, class_idx2,...], 
    "scores":[score_1, score_2,...], 
    "labels": [label1, label2, ...], 
    "tensorflow_model_output":<original output of the model>}

Jika accept diatur keapplication/json, maka model hanya mengeluarkan kotak, kelas, dan skor yang dinormalisasi.