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。

物件偵測 - MXNet

Amazon SageMaker 物件偵測-MXNet 演算法會使用單一深度神經網路來偵測並分類影像中的物件。這是一個受監督的學習演算法，可將影像做為輸入，並識別影像場景內的所有物件執行個體。物件會分類為指定集合中的其中一個類別，並具有該類別所屬的可信度分數。矩形邊界框會指出它在影像中的位置和比例尺。它使用單射多盒檢測器（SSD）框架，並支持兩個基本網絡：VGG 和. ResNet 您可以從頭開始訓練網路，也可以使用已在ImageNet資料集上預先訓練的模型進行訓練。

物件偵測演算法的輸入/輸出介面

SageMaker 物件偵測演算法同時支援 Recoredio (application/x-recordio) 和影像 (image/png、和application/x-image) 內容類型image/jpeg，以便在檔案模式下進行訓練，並支援 RecordIO (application/x-recordio) 以便在管道模式下進行訓練。但是，您也可以透過使用擴增資訊清單格式，使用影像檔案 (image/png、image/jpeg 和 application/x-image) 來在管道模式中訓練，而無須建立 RecordIO 檔案。Amazon SageMaker 物件偵測演算法的建議輸入格式是 但您亦可使用 .jpg 或 .png 格式的原始影像。至於推論方面，該演算法僅支援 application/x-image。

如需資料格式的詳細資訊，請參閱物件偵測範例筆記本。

以 RecordIO 格式進行訓練

若您是採用 RecordIO 格式進行訓練，請將 train 和 validation 通道指定為 CreateTrainingJob 請求的 InputDataConfig 參數值。在訓練通道中指定一個 RecordIO (.rec) 檔案，並在驗證通道中指定一個 RecordIO 檔案。請接著將兩個通道的內容類型設定為 application/x-recordio。如需 RecordIO 檔案的產生方法範例，請參閱物件偵測範例筆記本。您也可以使用 MXNet's GluonCV 的工具，來產生 PASCAL Visual Object Classes 和 Common Objects in Context (COCO) 這類常用資料集的 RecordIO 檔案。

以影像格式進行訓練

若您是採用影像格式進行訓練，請將 train、validation、train_annotation 與 validation_annotation 通道指定為 CreateTrainingJob 請求的 InputDataConfig 參數值。為訓練和驗證通道指定個別的影像資料 (.jpg 或 .png) 檔案。針對註釋資料，您可以使用 JSON 格式。在 train_annotation 和 validation_annotation 通道中指定對應的 .json 檔案。根據影像類型，將所有四個通道的內容類型設為 image/png 或 image/jpeg。當您的資料集包含 .jpg 和 .png 影像時，您也可以使用 application/x-image 內容類型。以下是 .json 檔案的範例。

{
   "file": "your_image_directory/sample_image1.jpg",
   "image_size": [
      {
         "width": 500,
         "height": 400,
         "depth": 3
      }
   ],
   "annotations": [
      {
         "class_id": 0,
         "left": 111,
         "top": 134,
         "width": 61,
         "height": 128
      },
      {
         "class_id": 0,
         "left": 161,
         "top": 250,
         "width": 79,
         "height": 143
      },
      {
         "class_id": 1,
         "left": 101,
         "top": 185,
         "width": 42,
         "height": 130
      }
   ],
   "categories": [
      {
         "class_id": 0,
         "name": "dog"
      },
      {
         "class_id": 1,
         "name": "cat"
      }
   ]
}

每個影像都需要 .json 檔案以用於註釋，而 .json 檔案必須與對應的影像同名。上述 .json 檔案名稱應該是 "sample_image1.json"。在註釋 .json 檔案中有四個屬性。"file" 屬性指定影像檔案的相對路徑。例如，如果您的訓練影像和對應 .json 檔案存放在 s3://your_bucket/train/sample_image 和 s3://your_bucket/train_annotation 中，請分別為您的 train 和 train_annotation 通道指定 s3://your_bucket/train 和 s3://your_bucket/train_annotation 路徑。

在 .json 檔案中，名為 sample_image1.jpg 影像的相對路徑應為 sample_image/sample_image1.jpg。此 "image_size" 屬性指定整體影像的維度。 SageMaker 物件偵測演算法目前僅支援 3 通道影像。"annotations" 屬性指定影像內物件的類別和邊界框。每個物件都是由 "class_id" 索引和四個邊界框座標 ("left"、"top"、"width"、"height") 來註釋。"left" (x 軸) 和 "top" (y 軸) 值代表邊界框的左上角。"width" (x 軸) 和 "height" (y 軸) 值代表邊界框的維度。原點 (0, 0) 是整個影像的左上角。如果您的一個影像內有多個物件，則所有註釋都應該包含在單一 .json 檔案中。"categories" 屬性可存放類別索引和類別名稱之間的映射。類別索引應為連續編號，且應從 0 開始進行編號。"categories" 屬性是註釋 .json 檔案的選用屬性。

以擴增的資訊清單影像格式進行訓練

擴增的資訊清單格式可讓您在管道模式中使用影像檔案進行訓練，而無需建立 RecordIO 檔案。您需要為 CreateTrainingJob 請求的 InputDataConfig 參數值指定訓練和驗證通道。雖然使用該格式，但仍需產生包含影像清單及其對應註釋的 S3 資訊清單檔案。資訊清單檔案格式應為 JSON Lines 格式，其中每一行都代表一個範例。影像會使用 'source-ref' 標籤指定，指向影像的 S3 位置。註釋則會在 "AttributeNames" 參數值底下提供，如 CreateTrainingJob 請求中所指定。它也可以在 metadata 標籤底下包含額外的中繼資料，但演算法會忽略這些內容。在下列範例中，"AttributeNames 包含在清單 ["source-ref", "bounding-box"] 中：

{"source-ref": "s3://your_bucket/image1.jpg", "bounding-box":{"image_size":[{ "width": 500, "height": 400, "depth":3}], "annotations":[{"class_id": 0, "left": 111, "top": 134, "width": 61, "height": 128}, {"class_id": 5, "left": 161, "top": 250, "width": 80, "height": 50}]}, "bounding-box-metadata":{"class-map":{"0": "dog", "5": "horse"}, "type": "groundtruth/object-detection"}}
{"source-ref": "s3://your_bucket/image2.jpg", "bounding-box":{"image_size":[{ "width": 400, "height": 300, "depth":3}], "annotations":[{"class_id": 1, "left": 100, "top": 120, "width": 43, "height": 78}]}, "bounding-box-metadata":{"class-map":{"1": "cat"}, "type": "groundtruth/object-detection"}}

輸入檔中 "AttributeNames" 的順序在訓練物件偵測演算法時是很重要的。它會以特定的順序來接受排在管道中的資料，image 會排在第一個，接著是 annotations。所以這個例子中的 AttributeNames "" "source-ref" 首先提供，然後是"bounding-box"。當使用物件偵測與擴增資訊清單搭配時，必須將參數 RecordWrapperType 的值設定為 "RecordIO"。

如需擴增資訊清單檔案的詳細資訊，請參閱向具有擴增資訊清單檔案的訓練任務提供資料集中繼資料。

增量訓練

您也可以使用先前訓練過的模型中的人工因素來植入新模型的訓練 SageMaker。當您想要使用相同或類似資料訓練新模型時，增量訓練可節省訓練時間。 SageMaker 對象檢測模型只能與在中 SageMaker訓練的另一個內置對象檢測模型一起植入。

若要使用預先訓練模型，請在 CreateTrainingJob 請求中，於 InputDataConfig 參數內指定 ChannelName 為 "model"。將模型通道的 ContentType 設為 application/x-sagemaker-model。您上傳至模型通道之新模型和預先訓練模型的輸入超參數，必須擁有與 base_network 和 num_classes 輸入參數相同的設定。這些參數會定義網路架構。對於預先訓練的模型檔案，請使用由輸出的壓縮模型加工品 (以 .tar.gz 格式)。 SageMaker您可以針對輸入資料使用 RecordIO 或影像格式。

如需增量訓練的詳細資訊及其使用方式說明，請參閱在 Amazon 使用增量培訓 SageMaker。

適用於物件偵測演算法的 EC2 執行個體建議

物件偵測演算法可支援 P2、P3、G4dn 和 G5 GPU 執行個體系列。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需進行分散式訓練，則可以在多重 GPU 和多個機器設定上執行此物件偵測演算法。

您可以使用 CPU (例如 C5 和 M5) 和 GPU (例如 P3 和 G4dn) 執行個體來進行推論。

物件偵測範例筆記本

對於示範如何使用 SageMaker 物件偵測演算法來訓練和主控模型的範例筆記本

加州理工學院鳥類（CUB 200 2011）使用單射多盒探測器算法的數據集，請參閱 Amazon 鳥類 SageMaker 對象檢測。如需如何建立及存取可用來執行中範例的 Jupyter 筆記本執行個體的指示 SageMaker，請參閱。Amazon SageMaker 筆記本實建立筆記本執行個體並開啟之後，請選取 [SageMaker 範例] 索引標籤以查看所有 SageMaker 範例的清單。使用物件偵測演算法的物件偵測範例筆記本位於 Amazon 演算法簡介一節。若要開啟筆記本，請按一下其使用 標籤，然後選取建立複本。

如需 Amazon SageMaker 物件偵測演算法的詳細資訊，請參閱下列部落格文章：