分類影像

建立 Rooms 專案。如需詳細資訊，請參閱步驟 1：選擇範例專案。

開啟命令提示字元並輸入以下命令來下載培訓影像。

aws s3 cp s3://custom-labels-console-region-numbers/assets/rooms_version number_training_dataset/ training --recursive

在命令提示字元處，輸入以下命令以下載測試影像。

aws s3 cp s3://custom-labels-console-region-numbers/assets/rooms_version number_test_dataset/ test --recursive

將培訓資料夾中的兩個影像移至您選擇的單獨資料夾。您將使用這些影像來嘗試在 步驟 9：使用模型分析影像 中培訓的模型。

如果您尚未這麼做，請設定 Amazon Rekognition 自訂標籤主控台。如需詳細資訊，請參閱設定 Amazon Rekognition 自訂標籤。

登入 AWS Management Console 並開啟亞馬遜重新認知主控台，位於。https://console.aws.amazon.com/rekognition/

在左側視窗中，選擇 使用自訂標籤。畫面將會顯示 Amazon Rekognition 自訂標籤的登入頁面。

在 Amazon Rekognition 自訂標籤登入頁面，選擇 開始使用

在左側導覽視窗中，選擇 專案。

在專案頁面上，選擇 建立專案。

在 專案名稱 中，輸入您的專案名稱。

選擇 建立專案 以建立您的專案。

在專案的詳細頁面上，選擇 建立資料集。

在 開始配置 的區段中，選擇 從培訓資料集和測試資料集開始。

在 培訓資料集詳細資料 的區段中，選擇 從電腦上傳影像。

在 測試資料集詳細資料 的區段中，選擇 從電腦上傳影像。

選擇 建立資料集。

隨即會顯示資料集頁面，其中包含對應資料集的培訓索引標籤和測試索引標籤。

在資料集頁面上，選擇 培訓 標籤。

選擇 動作，然後選擇 新增影像至培訓資料集。

在 新增影像至培訓資料集 的對話框中，選擇 選擇檔案。

選擇要上傳至資料集的影像。您一次最多可以上傳 30 張圖片。

選擇 上傳影像。Amazon Rekognition 自訂標籤可能需要幾秒鐘的時間才能將影像新增至資料集。

如果您有更多影像要新增至培訓資料集中，請重複步驟 9-12。

選擇測試標籤。

重複步驟 8-12，將影像新增至測試資料集。在步驟 8 中，選擇 動作，然後選擇 新增影像至測試資料集。

在資料集庫頁面上，選擇 開始標籤，進入標籤模式。

在資料集庫的 標籤 的區段中，選擇 編輯標籤 以開啟 管理標籤 的對話框。

在編輯框中，輸入新標籤名稱。

選擇 新增標籤。

重複步驟 3 和 4，直至建立完所需的所有標籤為止。

選擇 儲存 以儲存您新增的標籤。

在 資料集 的頁面上，選擇 培訓 標籤。

選擇 開始標記 以進入標記模式。

選擇要新增標籤的一張或多張影像。您一次只能選取單一頁面上的影像。若要在頁面上選取連續範圍的影像：

1. 選取第一個影像。

2. 按住 Shift 鍵。

3. 選取第二個影像。同時選取第一個影像和第二個影像之間的影像。

4. 放開 Shift 鍵。

選擇 指派影像層級標籤。

在 分配影像層級標籤至選取的影像 對話框中，選取要指派給一或多個影像的標籤。

選擇 指派，為影像指派標籤。

重複標記，直至每個影像都用所需的標籤進行註釋。

選擇測試標籤。

重複步驟，將影像層級標籤指派給測試資料集影像。

在 資料集 頁面上，選擇 訓練模型。

在 培訓模型 的頁面上，選擇 培訓模型。您專案的 Amazon 資源名稱 (ARN) 位於選擇專案編輯方塊中。

在您是否要訓練模型？的對話框中，選擇訓練模型。

在專案頁面的 模型 區段中，您可以看到培訓正在進行中。您可以透過查看模型版本的 Model Status 欄來檢查目前狀態。培訓模型需要一段時間才能完成。

訓練完成後，請選擇模型名稱。模型狀態為 TRAINING_ 時，訓練已完成COMPLETED。

選擇評估按鈕以查看評估結果。如需評估模型的資訊，請參閱 改善訓練過的 Amazon Rekognition 自訂標籤模型。

選擇檢視測試結果，以查看個別測試影像的結果。如需詳細資訊，請參閱用於評估模型的指標。

查看測試結果後，選擇模型名稱以返回模型頁面。

選擇模型頁面上的使用模型索引標籤。

在啟動或停止模型區段中，執行以下操作：

1. 選擇 啟動。

   

2. 在啟動模型的對話框中，選擇啟動。

   

等待模型執行。當啟動或停止模型的區域中的狀態為執行中時，表示模型正在執行中。

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。

選擇使用模型選項卡，然後選擇API代碼。

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。

將影像上傳至 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 上傳物體至 Amazon S3。如果您正在使用 Rooms 專案中的影像，請使用您在 步驟 1：收集您的影像 中移至單獨資料夾的影像之一。

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

AWS CLI 命令的JSON輸出看起來應該類似於以下內容。 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
        }
    ]
}

繼續使用模型分析其他影像。如果不再使用，請停止模型。

在啟動或停止模型區段中，選擇停止。

在停止模型對話框中，輸入 停止，以確認您要停止模型。

選擇停止，以停止模型。當 啟動或停止模型 的區段中的狀態顯示為 已停止 時，模型即已停止。