步驟 4：使用模型分析影像

<textobject><phrase>模型狀態顯示為「正在運行」，使用「停止」按鈕停止運行模型。 </phrase></textobject>

如果您還沒有，請設定 AWS CLI. 如需說明，請參閱 步驟 4：設定 AWS CLI 以及 AWS SDKs。

如果您尚未執行，請開始執行模型。如需詳細資訊，請參閱步驟 3：啟動模型。

選擇使用模型選項卡，然後選擇API代碼。下面顯示的模型狀態面板將模型顯示為「正在運行」，帶有停止運行模型的「停止」按鈕以及顯示的選項API。

選擇AWSCLI命令。

在「分析映像」區段中，複製呼叫的 AWS CLI 指令detect-custom-labels。Rekognition 主控台的下列影像顯示「分析影像」區段，其中包含使用機器學習模型偵測影像上自訂標籤的AWSCLI指令，以及啟動模型和提供影像詳細資料的指示。

將範例影像上傳至 Amazon S3 儲存貯體。如需說明，請參閱 取得範例影像。

於指令提示下，輸入您在上一個步驟中複製的 AWS CLI 指令。輸出應該如以下範例所示。

的值--project-version-arn應該是模型的 Amazon 資源名稱 (ARN)。--region 的值應該是您在其中建立模型的 AWS 區域。

將 MY_BUCKET 和 PATH_TO_MY_IMAGE 變更為您在上一步驟中所使用的 Amazon S3 儲存貯體和影像。

如果您使用custom-labels-access設定檔取得認證，請新增--profile custom-labels-access參數。

aws rekognition detect-custom-labels \
  --project-version-arn "model_arn" \
  --image '{"S3Object": {"Bucket": "MY_BUCKET","Name": "PATH_TO_MY_IMAGE"}}' \
  --region us-east-1 \
  --profile custom-labels-access

如果模型找到物件、場景和概念，則 AWS CLI 指令的JSON輸出應類似下列內容。 Name是模型找到的影像層級標籤名稱。 Confidence(0-100) 是模型對預測準確性的信心。

{
    "CustomLabels": [
        {
            "Name": "living_space",
            "Confidence": 83.41299819946289
        }
    ]
}

如果模型尋找物件位置或尋找品牌，則會傳回標記的週框方塊。BoundingBox 包含物件周圍方塊的位置。Name 是模型在週框方塊中找到的物件。Confidence 是模型對於週框方塊包含物件的可信度。

{
    "CustomLabels": [
        {
            "Name": "textract",
            "Confidence": 87.7729721069336,
            "Geometry": {
                "BoundingBox": {
                    "Width": 0.198987677693367,
                    "Height": 0.31296101212501526,
                    "Left": 0.07924537360668182,
                    "Top": 0.4037395715713501
                }
            }
        }
    ]
}

繼續使用模型分析其他影像。如果不再使用，請停止模型。如需詳細資訊，請參閱步驟 5：停止模型。

在以下與您正在使用的範例專案相符的影像上按一下右鍵。然後選擇儲存影像，將影像儲存到電腦。依您使用的瀏覽器而定，功能表選項可能會有所不同。

將映像上傳到您 AWS 帳戶所擁有且位於您使用 Amazon Rekognition 自訂標籤的相同 AWS 區域中的 Amazon S3 儲存貯體。

如需指示說明，請參閱 Amazon 簡單儲存服務使用者指南中的將物件上傳至 Amazon S3。