本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 分類映像
本教學課程說明如何為模型建立專案和資料集，以分類影像中的物體、場景和概念。模型會對整個影像進行分類。例如，透過跟隨此教學課程，您可以培訓模型以辨識家居位置，例如客廳或廚房。本教學課程還會向您展示如何使用模型來分析影像。
在開始本教學課程之前，建議您先閱讀 [了解 Amazon Rekognition 自訂標籤](understanding-custom-labels.md)。
在本教學課程中，您會從本機電腦上傳的影像來建立培訓和測試資料集。稍後，您可以為培訓和測試資料集中的影像指派影像層級標籤。
您建立的模型將影像分類為屬於您指派給培訓資料集影像的影像層級標籤合集。例如，培訓資料集中的影像層級標籤集為 `kitchen`、 `living_room`、 `patio` 和 `backyard`，則模型可能會在單一影像中找到所有這些影像層級標籤。
**注意**
您可以為不同目的建立模型，例如尋找影像上物體的位置。如需詳細資訊，請參閱[決定模型類型](understanding-custom-labels.md#tm-intro-model-type)。
## 步驟 1：收集您的影像
您需要兩組影像。一組可新增至培訓資料集。另一組則添加至您的測試資料集。影像應代表您希望模型分類的物體、場景和概念。影像必須是 PNG 或 JPEG 的格式。如需詳細資訊，請參閱[準備影像](md-prepare-images.md)。
您應該至少有 10 個用於培訓資料集的影像和 10 個用於測試資料集的影像。
如果您還沒有影像，請使用 *Rooms* 範例分類專案中的影像。建立專案後，培訓和測試影像會位於以下 Amazon S3 儲存貯體的位置：
+ 培訓圖片 — `s3://custom-labels-console-{{region}}-{{numbers}}/assets/rooms_{{version number}}_test_dataset/`
+ 測試圖片 — `s3://custom-labels-console-{{region}}-{{numbers}}/assets/rooms_{{version number}}_test_dataset/`
`region` 是您使用 Amazon Rekognition 自訂標籤主控台 AWS 的區域。 `numbers` 是主控台指派給儲存貯體名稱的值。 `Version number`是範例專案的版本編號，從 1 開始。
以下步驟將 Rooms 專案中的影像儲存到電腦上名為 `training` 和 `test` 的本機資料夾。
**下載 Rooms 範例專案影像文件**
1. 建立 Rooms 專案。如需詳細資訊，請參閱[步驟 1：選擇範例專案](gs-step-choose-example-project.md)。
1. 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
```
1. 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
```
1. 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](#tutorial-step-get-a-prediction) 中培訓的模型。
## 步驟 2：決定課程
列出您希望模型尋找的課堂清單。例如，您正在培訓模型來識別房屋中的房間，則可以將以下影像分類為 `living_room`。
每個類別對應到一個影像層級標籤。稍後，您可以為培訓和測試資料集中的影像指派影像層級標籤。
如果您使用 Rooms 範例專案中的影像，則影像層級標籤將會是 *後院*、*浴室*、*睡房*、*衣櫃*、*入口通道*、*樓層平面圖*、*前院*、*廚房*、*生活空間* 和 *露臺*。
## 步驟 3：建立專案
要管理您的資料集和模型，您需要建立一個專案。每個專案都應該解決一個使用案例，例如識別房屋中的房間。
**建立專案 (主控台)**
1. 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](setting-up.md)。
1. 登入 AWS 管理主控台 ，並在 https：//[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/) 開啟 Amazon Rekognition 主控台。
1. 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。
1. 在 Amazon Rekognition 自訂標籤登入頁面，選擇 **開始使用**
1. 在左側導覽視窗中，選擇 **專案**。
1. 在專案頁面上，選擇 **建立專案**。
1. 在 **專案名稱** 中，輸入您的專案名稱。
1. 選擇 **建立專案** 以建立您的專案。
## 步驟 4：建立培訓和測試資料集
在此步驟中，您透過從本機電腦上傳影像來建立培訓資料集和測試資料集。您一次最多可以上傳 30 張圖片。如果您有大量影像需要上傳，請考慮透過從 Amazon S3 儲存貯體匯入影像來建立資料集。如需更多詳細資訊，請參閱 [從 Amazon S3 儲存貯體匯入映像](md-create-dataset-s3.md)。
如需更多有關資料集的詳細資訊，請參閱 [管理資料集](managing-dataset.md)。
**使用本機電腦 (主控台) 上的影像建立資料集**
1. 在專案的詳細頁面上，選擇 **建立資料集**。
1. 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**。
1. 在 **培訓資料集詳細資料** 的區段中，選擇 **從電腦上傳影像**。
1. 在 **測試資料集詳細資料** 的區段中，選擇 **從電腦上傳影像**。
1. 選擇 **建立資料集**。
1. 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。
1. 在資料集頁面上，選擇 **培訓** 標籤。
1. 選擇 **動作**，然後選擇 **新增影像至培訓資料集**。
1. 在 **新增影像至培訓資料集** 的對話框中，選擇 **選擇檔案**。
1. 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。
1. 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。
1. 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。
1. 選擇**測試**標籤。
1. 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**。
## 步驟 5：新增標籤至專案
在此步驟中，您將為步驟 [步驟 2：決定課程](#tutorial-classify-images-decide-categories) 中識別的每個類別新增一個標籤到專案中。
**新增標籤 (主控台)**
1. 在資料集庫頁面上，選擇 **開始標籤**，進入標籤模式。
1. 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。
1. 在編輯框中，輸入新標籤名稱。
1. 選擇 **新增標籤**。
1. 重複步驟 3 和 4，直至建立完所需的所有標籤為止。
1. 選擇 **儲存** 以儲存您新增的標籤。
## 步驟 6：為培訓和測試資料集指派影像層級標籤
在此步驟中，您將為培訓和測試資料集中的每個影像指派單一影像層級。影像層級標籤是每個影像所代表的類別。
**將影像層級標籤指派給影像 (主控台)**
1. 在 **資料集** 的頁面上，選擇 **培訓** 標籤。
1. 選擇 **開始標記** 以進入標記模式。
1. 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。
1. 按住 Shift 鍵。
1. 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。
1. 放開 Shift 鍵。
1. 選擇 **指派影像層級標籤**。
1. 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。
1. 選擇 **指派**，為影像指派標籤。
1. 重複標記，直至每個影像都用所需的標籤進行註釋。
1. 選擇**測試**標籤。
1. 重複步驟，將影像層級標籤指派給測試資料集影像。
## 步驟 7：培訓您的模型
請使用以下步驟來訓練模型。如需詳細資訊，請參閱[培訓 Amazon Rekognition 自訂標籤模型](training-model.md)。
**培訓您的模型（主控台）**
1. 在 **資料集** 頁面上，選擇 **訓練模型**。
1. 在 **培訓模型** 的頁面上，選擇 **培訓模型**。專案的 Amazon Resource Name (ARN) 位於**選擇專案**的編輯框中。
1. 在**您是否要訓練模型？**的對話框中，選擇**訓練模型**。
1. 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。
1. 訓練完成後，請選擇模型名稱。當模型狀態轉為**訓練已完成**時，表示訓練已經結束。
1. 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](improving-model.md)。
1. 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](im-metrics-use.md)。
1. 查看測試結果後，選擇模型名稱以返回模型頁面。
## 步驟 8：啟動模型
在此步驟中，您可以啟動模型。模型啟動後，您即可將其用於分析影像。
您需要根據模型執行時間付費。如果您不需要分析影像，請停止您的模型。您可以在稍後時間重新啟動您的模型。如需詳細資訊，請參閱[執行培訓過的 Amazon Rekognition 自訂標籤模型](running-model.md)。
**啟動模型**
1. 選擇模型頁面上的**使用模型**索引標籤。
1. 在**啟動或停止模型**區段中，執行以下操作：
1. 選擇 **啟動**。
1. 在**啟動模型**的對話框中，選擇**啟動**。
1. 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。
## 步驟 9：使用模型分析影像
呼叫 [DetectCustomLabels](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectCustomLabels) API 以分析影像。在此步驟中，您會使用 `detect-custom-labels` AWS Command Line Interface (AWS CLI) 命令來分析範例映像。您可以從 Amazon Rekognition 自訂標籤主控台取得 AWS CLI 命令。主控台會將 AWS CLI 命令設定為使用您的模型。您只需要提供儲存在 Amazon S3 儲存貯體中的影像。
**注意**
主控台還會提供 Python 範例程式碼。
來自 `detect-custom-labels` 的輸出包括在影像中找到的標籤清單、邊界框 (如果模型尋找物體位置)，以及模型對預測準確度的信賴度。
如需詳細資訊，請參閱[使用經過培訓的模型分析圖像](detecting-custom-labels.md)。
**分析影像 (主控台)**
1. 如果您尚未設定 ，請設定 AWS CLI。如需指示說明，請參閱 [步驟 4：設定 AWS CLI 和 AWS SDKs](su-awscli-sdk.md)。
1. 選擇 **使用模型** 標籤，然後選擇 **API 程式碼**。
1. 選擇 **AWS CLI 命令**。
1. 在**分析映像**區段中，複製呼叫 的 AWS CLI 命令`detect-custom-labels`。
1. 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](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UploadingObjectsintoAmazonS3.html)。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](#tutorial-classify-images-collect-images) 中移至單獨資料夾的影像之一。
1. 在命令提示字元中，輸入您在上一個步驟中複製的 AWS CLI 命令。輸出應該如以下範例所示。
`--project-version-arn` 的值應該是模型的 Amazon Resource Name (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。
如果您是使用 [自訂標籤存取](su-sdk-programmatic-access.md#su-sdk-programmatic-access-customlabels-examples) 設定檔來取得憑證，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
```
該 AWS CLI 命令的 JSON 輸出看起來應如下列內容。`Name` 是模型找到的影像層級標籤的名稱。`Confidence` (0-100) 是模型對預測準確度的信賴度。
```
{
"CustomLabels": [
{
"Name": "living_space",
"Confidence": 83.41299819946289
}
]
}
```
1. 繼續使用模型分析其他影像。如果不再使用，請停止模型。
## 步驟 10：停止模型
在此步驟中，您將停止執行模型。您需要根據模型執行時間付費。如果您已使用完成，請停止模型。
**停止模型**
1. 在**啟動或停止模型**區段中，選擇**停止**。
1. 在**停止模型**對話框中，輸入 **停止**，以確認您要停止模型。
1. 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。
