快速入門：使用自訂視覺入口網站建置影像分類模型

本快速入門說明如何使用 自訂視覺 入口網站來建立影像分類模型。 一旦建置了模型，您就可以使用新的影像進行測試，並最終將其整合到您自己的影像辨識應用程式。

必要條件

• Azure 訂用帳戶。 您可以 建立免費帳戶。
• 要定型分類模型的一組影像。 您可以使用 GitHub 上的範例影像集合。 或者，您可以使用下列秘訣來選擇自己的影像。
• 支援的網頁瀏覽器。

建立自訂視覺資源

若要使用 自訂視覺 服務，您必須在 Azure 中建立 自訂視覺 定型和預測資源。 在 Azure 入口網站 中，使用 [建立 自訂視覺] 頁面來建立定型資源和預測資源。

建立新專案

流覽至 自訂視覺 網頁，然後使用您用來登入 Azure 入口網站 的相同帳戶登入。

1. 若要建立第一個專案，請選取 [新增專案]。 [建立新專案] 對話方塊隨即出現。

   

2. 輸入專案的名稱和描述。 然後選取您的自訂視覺訓練資源。 若您登入的帳戶與 Azure 帳戶相關聯，則 [資源] 下拉式清單會顯示您所有相容的 Azure 資源。

   注意

   如果沒有可用的資源，請確認您已使用您用來登入 Azure 入口網站 的相同帳戶登入 customvision.ai。 此外，請確認您已在 自訂視覺 網站中選取與 自訂視覺 資源所在 Azure 入口網站 目錄相同的目錄。 在這兩個網站中，您可以從畫面右上角的下拉功能表中選取您的目錄。

3. 選取 [專案類型] 下的 [分類]。 然後，在 [分類類型] 下，端視您的使用案例而定，選擇 [多標籤] 或 [多類別]。 多卷標分類會將任意數目的標籤套用至影像（零個或多個），而多類別分類會將影像排序成單一類別（您提交的每個影像都會排序為最有可能的標籤）。 如果您想要，您可以稍後變更分類類型。

4. 然後，選取其中一個可用領域。 各領域皆會針對特定類型的影像來最佳化模型，如下表所述。 您稍後可視需要變更此領域。

   網域	目的
   泛型	已針對廣泛的影像分類工作進行最佳化。 如果沒有其他適用的領域，或您不確定要選擇哪一個領域，請選取「泛型」領域。
   食物	已針對菜餚相片進行最佳化，如同您在餐廳菜單上看見的一樣。 如果您想要將個別水果或蔬菜的相片分類，請使用「食物」領域。
   地標	已針對可辨識的地標 (包括自然和人工) 進行最佳化。 地標在相片中清楚顯示時，此領域的效果最佳。 即使地標前面的人稍微阻擋到該地標，此領域還是能夠運作。
   Retail	已針對在購物目錄或購物網站上找到的影像進行最佳化。 如果您想在連衣裙、褲子和襯衫之間進行高精確度的分類，請使用此領域。
   精簡領域	已針對行動裝置上的即時分類條件約束進行最佳化。 精簡領域所產生的模型可以匯出到本機執行。

5. 最後，選取 [建立專案]。

選擇定型影像

您至少應該在初始定型集中使用每個標記至少 30 個影像。 您也應該收集一些額外的影像，以在模型定型之後進行測試。

若要有效地定型您的模型，可使用有不同視覺效果的影像。 選取有下列各種變化的影像：

• 攝影機角度
• 光源
• 背景
• 視覺效果樣式
• 單一/群組對象
• size
• type

此外，請確定所有的訓練映像符合下列準則：

• 必須是.jpg、.png、.bmp或.gif格式
• 大小不超過 6 MB（預測影像為 4 MB）
• 最短邊緣不小於 256 圖元;任何小於 256 像素的影像都會由 自訂視覺 服務自動相應增加

上傳並標記影像

您可以上傳並手動標記影像，以協助定型分類器。

1. 若要新增影像，請選取 [新增影像]，然後選取 [瀏覽本機檔案]。 選取 [開啟] 以移至標記。 您的標籤選取專案會套用至您上傳的整個影像群組，因此根據已套用的標籤，將影像上傳在個別群組中會比較容易。 在上傳個別影像之後，您也可以變更這些影像的標籤。

   

2. 若要建立標記，請在 [我的標記] 欄位中輸入文字，然後按下 [Enter]。 如果標籤已經存在，則會出現在下拉式功能表中。 在多標籤的專案中，您可以將多個標記新增到影像，但是，在多類別專案中，只能新增一個標記。 若要完成上傳影像，請使用 [上傳 [number] 個檔案] 按鈕。

   

3. 上傳影像後，請選取 [完成]。

   

若要上傳另一組影像，請返回本小節的最上端並重複進行步驟。

為分類器定型

若要為分類器定型，請選取 [定型] 按鈕。 分類器會使用所有目前的影像建立模型，以識別每個標籤的視覺品質。 這個流程可能需要幾分鐘的時間才會完成。

此定型程序應該只需要幾分鐘的時間。 在此期間，[效能] 索引標籤會顯示定型程序的相關資訊。

評估分類器

定型完成後，會估計並顯示模型的效能。 自訂視覺服務會使用您為了定型提交的影像，以計算精確度和重新叫用率。 精確度和回收是衡量分類器效率的兩個不同標準：

• 精確度表示識別的正確分類所得到的分數。 例如，如果模型識別 100 張影像為狗，而實際上有 99 張為狗，則精確度為 99%。
• 回收表示正確識別實際分類所得到的分數。 例如，如果實際上有 100 張影像為蘋果，而模型識別 80 張為蘋果，則回收為 80%。

可能性閥值

請注意 [效能] 索引標籤的左窗格上出現的 [機率閾值] 滑桿。這是預測必須具備才能視為正確的信賴等級 (用於計算精確度和召回率的目的)。

當您以高機率閾值來解讀預測呼叫時，其傾向於傳回具有高精確度的結果，但其代價是召回率—偵測到的分類正確，但仍有許多分類偵測不到。 低機率閾值的情況相反—偵測到大部分的實際分類，但該集合中有更多誤報。 記住這一點，您應該根據專案的特定需求設定機率閾值。 然後，當您在用戶端接收預測結果時，您應該使用與此處所用的相同機率閾值。

管理定型反覆項目

每次您定型分類器時，皆會使用最新的效能度量來建立新的反覆項目。 您可以在 [效能] 索引標籤的左窗格中檢視所有的反覆項目。您也會找到 [刪除] 按鈕，以用來刪除已經過時的反覆項目。 您刪除反覆項目時，會刪除唯一與它相關聯的任何影像。

若要瞭解如何以程序設計方式存取已定型的模型，請參閱 呼叫預測 API。

後續步驟

在本快速入門中，您已了解如何使用自訂視覺入口網站建立並定型影像分類模型。 接下來，深入瞭解改進模型的反覆程序。

測試和重新定型模型

• 什麼是自訂視覺服務？