影像分類演算法 - TensorFlow 的輸入及輸出介面 - Amazon SageMaker AI
增量訓練使用影像分類 - TensorFlow 演算法進行推論

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。

影像分類演算法 - TensorFlow 的輸入及輸出介面

TensorFlow Hub 模型中列出的每個預先訓練模型，都可以針對具有任何影像類別數量的任何資料集進行微調。請注意如何設定訓練資料的格式，以便輸入影像分類 - TensorFlow 模型。

  • 訓練資料輸入格式：您的訓練資料應為一個目錄，其子目錄數目與分類數目相同。每個子目錄應包含屬於該類的影像，儲存為 .jpg，.jpeg 或 .png 格式。

下列範例是輸入目錄結構。這個範例資料集有兩個類別：roses 和 dandelion。每個類別資料夾中的影像檔案名稱隨意。輸入目錄應託管於一個 Amazon S3 儲存貯體，透過類似以下的路徑：s3://bucket_name/input_directory/。請注意，結尾的 / 是必要的。

input_directory
    |--roses
        |--abc.jpg
        |--def.jpg
    |--dandelion
        |--ghi.jpg
        |--jkl.jpg

訓練過的模型輸出標籤對應文件，會將分類的文件夾名稱對應到輸出類別機率清單的索引。這份對應會依字母順序排列。例如，在上述的範例中，蒲公英類是索引 0，而玫瑰類是索引 1。

訓練結束後，您將擁有一個經微調的模型，可以使用增量訓練進一步進行訓練或加以部署以進行推論。影像分類 - TensorFlow 演算法會自動將預先處理和後續處理簽章新增至經微調的模型，以便將影像當作輸入，並傳回類別機率。將類別索引對應到類別標籤的檔案，與模型一同被儲存。

增量訓練

您可以使用先前使用 SageMaker AI 訓練之模型的成品來植入新模型的訓練。增量訓練可以在您希望使用相同或相似資料訓練新模型時，節省訓練的時間。

注意

您只能植入 SageMaker AI 影像分類 - TensorFlow 模型與另一個影像分類 - 在 SageMaker AI 中訓練的 TensorFlow 模型。

只要類別組保持不變，您就可以使用任何資料集進行增量訓練。增量訓練步驟類似微調的步驟，但不是從預先訓練的模型開始，而是從現有的經微調的模型開始。如需使用 SageMaker AI Image Classification - TensorFlow 演算法進行增量訓練的範例，請參閱 SageMaker TensorFlow - Image Classification 範例筆記本簡介。

使用影像分類 - TensorFlow 演算法進行推論

您可以託管由 TensorFlow 影像分類訓練所產生的微調後模型，以進行推論。所有用於推論的輸入影像都必須儲存為 .jpg、.jpeg 或 .png 格式，且內容類型為 application/x-image。影像分類 - TensorFlow 演算法會自動調整輸入影像的大小。

執行推論會產生機率值、所有類別的類別標籤，以及與類別索引對應的預測標籤，其中最高機率以 JSON 格式編碼。影像分類 - TensorFlow 模型會針對每個請求處理一個影像，且只輸出一行。以下為 JSON 格式的回應範例：

accept: application/json;verbose

 {"probabilities": [prob_0, prob_1, prob_2, ...],
  "labels":        [label_0, label_1, label_2, ...],
  "predicted_label": predicted_label}

如果 accept 設定為 application/json，則模型僅輸出機率。如需使用影像分類 - TensorFlow 演算法進行訓練和推論的詳細資訊，請參閱 SageMaker TensorFlow - 影像分類簡介範例筆記本。