Выбор домена для проекта «Пользовательское визуальное распознавание»
В этом руководстве показано, как выбрать домен для проекта в службе Пользовательское визуальное распознавание. Домены используются в качестве отправной точки для проекта.
Войдите в учетную запись на веб-сайте Пользовательское визуальное распознавание, а затем выберите проект. Щелкните значок "Параметры" в правом верхнем углу. На странице "Параметры проекта" можно выбрать домен модели. Вы должны выбрать домен, который ближе всего к вашему сценарию использования. Если вы обращаетесь к Пользовательское визуальное распознавание через клиентскую библиотеку или REST API, необходимо указать идентификатор домена при создании проекта. Список идентификаторов доменов можно получить с помощью запроса Get Domains . Или используйте следующую таблицу.
Домены классификации изображений
| Домен | ID | Характер использования |
|---|---|---|
| Общие сведения | ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
Рассчитан на самые разные задачи классификации изображений. Если ни один из других конкретных доменов не подходит, или если вы не уверены, какой домен выбрать, выберите один из общих доменов. |
| General [A1] | a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
Оптимизировано для повышения точности с сопоставимым временем вывода в качестве общего домена. Рекомендуется для больших наборов данных или более сложных пользовательских сценариев. Этому домена требуется дополнительное время обучения. |
| General [A2] | 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
Оптимизировано для повышения точности с более быстрым временем вывода, чем общее [A1] и общие домены. Рекомендовано для большинства наборов данных. Для этого домена требуется меньше времени обучения, чем домены "Общие" и "Общие". |
| Food | c151d5b5-dd07-472a-acc8-15d29dea8518 |
Рассчитан для фотографий блюд, которые будут отображаться в меню ресторана. Если вы хотите классифицировать фотографии отдельных фруктов или овощей, используйте домен Food . |
| Landmarks | ca455789-012d-4b50-9fec-5bb63841c793 |
Рассчитан на распознавание естественных и искусственных ориентиров. Этот домен работает лучше всего, когда ориентир четко виден на фотографии. Этот домен работает, даже если ориентир немного заслоняют люди. |
| Розничная торговля | b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
Рассчитан на изображения из каталогов товаров и торговых веб-сайтов. Если требуется высокая точность при распознавании таких объектов, как платья, брюки и рубашки, следует использовать этот домен. |
| Домены Compact | Оптимизированы для ограничений классификации в режиме реального времени на пограничных устройствах. |
Примечание.
Общие домены [A1] и Общие [A2] можно использовать для широкого набора сценариев и оптимизированы для точности. Используйте модель General [A2] для повышения скорости вывода и более короткого времени обучения. Для больших наборов данных может потребоваться использовать общие данные [A1] для повышения точности, чем общие [A2], хотя для этого требуется больше времени обучения и вывода. Для общей модели требуется больше времени вывода, чем общие [A1] и Общие [A2].
Домены обнаружения объектов
| Домен | ID | Характер использования |
|---|---|---|
| Общие сведения | da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
Рассчитан на самые разные задачи обнаружения объектов. Если ни один из других доменов не подходит, или вы не уверены, какой домен выбрать, выберите общий домен. |
| General [A1] | 9c616dff-2e7d-ea11-af59-1866da359ce6 |
Оптимизировано для повышения точности с сопоставимым временем вывода в качестве общего домена. Рекомендованы для более точного определения местоположения региона, больших наборов данных или более сложных пользовательских сценариев. Для этого домена требуется больше времени обучения, и результаты не детерминируются: ожидается среднее различие средней точности (mAP) +-1% с теми же данными обучения, предоставляемыми. |
| Логотип | 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
Оптимизировано для поиска марочных логотипов в изображениях. |
| Продукты на полках | 3780a898-81c3-4516-81ae-3a139614e1f3 |
Оптимизировано для обнаружения и классификации продуктов на полках. |
| Домены Compact | Оптимизированы для ограничений обнаружения объектов в режиме реального времени на пограничных устройствах. |
Домены Compact
Модели, созданные доменами Compact, можно экспортировать для локального запуска. В API общедоступной предварительной версии службы «Пользовательское визуальное распознавание» 3.4 можно получить список экспортируемых платформ для компактных доменов, вызвав API-интерфейс GetDomains.
Все перечисленные ниже домены поддерживают экспорт в форматах ONNX, TensorFlow, TensorFlowLite, TensorFlow.js, CoreML и VAIDK, за исключением того, что домен обнаружения объектов (compact) не поддерживает VAIDK.
Производительность модели зависит от выбранного домена. В следующей таблице мы сообщаем размер модели и время вывода на ЦП Intel Desktop и GPU NVIDIA [1]. Эти числа не включают предварительную и последующую обработку.
| Задача | Домен | ID | Размер модели | Время вывода ЦП | Время вывода GPU |
|---|---|---|---|---|---|
| Классификация | General (compact) (Общий (компактный)) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 МБ | 10 мс | 5 мс |
| Классификация | General (compact) [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 МБ | 50 мс | 5 мс |
| Обнаружение объектов | General (compact) (Общий (компактный)) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 МБ | 35 мс | 5 мс |
| Обнаружение объектов | General (compact) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 МБ | 27 мс | 7 мс |
Примечание.
Для обнаружения объектов требуется специальная логика после обработки. Дополнительные сведения см. в примере скрипта в экспортируемом zip-пакете. Если необходима модель без логики постобработки, используйте General (compact) [S1].
Внимание
Экспортируемые модели не гарантируют точно такой же результат, как и API прогнозирования в облаке. Небольшая разница в реализации выполняющейся платформы или предварительной обработки может привести к увеличению разницы в выходных данных модели. Дополнительные сведения о логике предварительной обработки см . в кратком руководстве. Создание проекта классификации изображений.
[1] процессор Intel Xeon E5-2690 и NVIDIA Tesla M60
Связанный контент
Следуйте краткому руководству, чтобы приступить к созданию и обучению проекта Пользовательского визуального распознавания.