選取自訂視覺專案的網域
本指南將示範如何在自訂視覺服務中為您的專案選取網域。 網域會作為專案的起點。
在 自訂視覺 網站上登入您的帳戶，然後選取您的專案。 選取右上方的 [ 設定 ] 圖示。 在 [ 項目設定] 頁面上，您可以選擇模型定義域。 您應該選擇最接近使用案例的網域。 如果您要透過用戶端連結庫或 REST API 存取 自訂視覺，則必須在建立專案時指定網域識別符。 您可以使用取得網域要求來取得網域識別碼的清單。 或者，請使用下表。
影像分類網域
| 網域 | 識別碼 | 目的 |
|---|---|---|
| 一般 | ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
已針對廣泛的影像分類工作進行最佳化。 如果其他特定網域都不適用，或不確定要選擇哪一個網域，請選取其中 一個 [一般 ] 網域。 |
| 一般 [A1] | a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
使用與一般定義域類似的推斷時間優化，以取得更佳的精確度。 建議使用在較大型的資料集或更困難的使用者案例。 此網域需要更多定型時間。 |
| 一般 [A2] | 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
透過比 一般 [A1] 和 一般 網域更快速的推斷時間優化，以獲得更好的精確度。 建議使用在大部分的資料集。 此網域需要比一般和一般 [A1] 網域更少的定型時間。 |
| 食物 | c151d5b5-dd07-472a-acc8-15d29dea8518 |
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。 如果您想要分類個別水果或蔬菜的照片，請使用 [食物 ] 網域。 |
| 地標 | ca455789-012d-4b50-9fec-5bb63841c793 |
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 | b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
已針對在購物目錄或購物網站上找到的影像進行最佳化。 如果您想在洋裝、褲子和襯衫之間進行高精確度的分類，請使用此網域。 |
| 精簡領域 | 已針對邊緣裝置上的即時分類條件約束進行最佳化。 |
注意
一般 [A1] 和一般 [A2] 網域可用於一組廣泛的案例，並已針對精確度優化。 使用一般 [A2] 模型，以取得更佳的推斷速度和較短的定型時間。 對於較大的數據集，您可能想要使用一般 [A1] 來轉譯比一般 [A2] 更好的精確度，不過它需要更多的定型和推斷時間。 一般模型需要比一般 [A1] 和一般 [A2] 更多的推斷時間。
對象偵測網域
| 網域 | 識別碼 | 目的 |
|---|---|---|
| 一般 | da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
已針對廣泛的物件偵測工作進行最佳化。 如果其他網域都不適用，或您不確定要選擇哪一個網域，請選取 [ 一般 ] 網域。 |
| 一般 [A1] | 9c616dff-2e7d-ea11-af59-1866da359ce6 |
使用與一般定義域類似的推斷時間優化，以取得更佳的精確度。 建議使用在更精確的區域位置需求、較大型的資料集，或更困難的使用者案例。 此定義域需要更多的定型時間，且結果不具決定性：預期與所提供的相同訓練數據相同，平均精確度 （mAP） 差異為 +-1%。 |
| 標誌 | 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
已針對尋找影像中的品牌標誌進行最佳化。 |
| 貨架上的產品 | 3780a898-81c3-4516-81ae-3a139614e1f3 |
已針對在貨架上偵測和分類產品進行最佳化。 |
| 精簡領域 | 已針對邊緣裝置上的即時物件偵測條件約束進行最佳化。 |
精簡領域
精簡領域所產生的模型可以匯出到本機執行。 在自訂視覺 3.4 公開預覽 API 中，您可以藉由呼叫 GetDomains API 取得精簡網域的可匯出平台清單。
下列所有網域都支援在 ONNX、TensorFlow、TensorFlowLite、TensorFlow.js、CoreML 和 VAIDK 格式中導出，但對象偵測一般（compact） 網域不支援 VAIDK 除外。
模型效能會因選取的網域而異。 在下表中，我們會報告 Intel Desktop CPU 和 NVIDIA GPU [1] 上的模型大小和推斷時間。 這些數字不包括前置處理和後置處理時間。
| Task | 網域 | 識別碼 | 模型大小 | CPU 推斷時間 | GPU 推斷時間 |
|---|---|---|---|---|---|
| 分類 | 一般 (精簡) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 MB | 10 毫秒 | 5 毫秒 |
| 分類 | 一般 （compact） [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 MB | 50 毫秒 | 5 毫秒 |
| 物件偵測 | 一般 (精簡) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 MB | 35 毫秒 | 5 毫秒 |
| 物件偵測 | 一般 （compact） [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 毫秒 | 7 毫秒 |
注意
對象 偵測的一般 （compact） 領域需要特殊的後置處理邏輯。 如需詳細資訊，請參閱導出 zip 套件中的範例腳本。 如果您需要不含後置處理邏輯的模型，請使用一般 (精簡) [S1]。
重要
不保證導出的模型會提供與雲端上的預測 API 完全相同的結果。 在執行平台或前置處理實作中的些微差異，可能導致在模型輸出中有較大的差異。 如需前置處理邏輯的詳細資訊，請參閱 快速入門：建立影像分類專案。
[1] Intel Xeon E5-2690 CPU 和 NVIDIA Tesla M60
相關內容
遵循快速入門，開始建立及訓練自訂視覺專案。