標記和定型自訂模型

  • 5 分鐘

將影像上傳至 Blob 儲存體並建立資料集之後，下一個步驟是標記您的影像，並連接產生的 COCO 檔案。 如果您已經有定型影像的 COCO 檔案，即可略過標記步驟。

標記定型影像

使用資料標記專案，在 Azure Machine Learning 工作室中標記定型影像。 為您的定型影像提供完整而正確的標籤可大幅提升定型模型的效能。 當您標記影像時，請務必正確指派標籤，並完整標記每個類別的所有執行個體。

在 Vision Studio 內的資料集中，建立新的 Azure Machine Learning 資料標記專案，或連線到 Azure Machine Learning 工作室中的現有專案 (如果您已建立了一個)。

Screenshot of a new dataset in Vision Studio custom model project.

專案建立後，選取該按鈕將會帶您前往 Azure Machine Learning Studio，並開啟標籤專案。 在 Azure Machine Learning 資料標記中，您可以新增影像或物件 (例如蘋果、柳橙、香蕉) 的類別。 建立類別之後，即可啟動專案並移至標記索引標籤。您需要為每個類別標記 3-5 個影像。

Screenshot of a labeling fruit in Azure Machine Learning Studio.

Azure Machine Learning 具有可協助標記的工具，例如 ML 輔助標記，其採用您為影像子集所提供的一些標籤，並嘗試為您標記其餘影像。 如果使用這些功能，請務必檢閱標籤，以確保標籤正確無誤。 如果不正確，您定型模型的效能會降低。

當標記完成且所有定型影像都已正確分類或標記時，您即可直接從 Azure Machine Learning 工作區將 COCO 檔案新增至資料集。

定型模型

所有定型影像都完成標記後，下一個步驟是定型模型。 定型模型時選取模型類型，請指定您想要用作定型資料的資料集，並指明定型預算。 定型預算是定型執行時間的上限；用於定型的實際時間通常小於指定的預算。

定型模型之後，選取模型可讓您檢視評估執行的效能。 如果在定型模型時未提供評估資料集，則會使用預設評估執行。 預設評估執行會從定型集取出一小組已標記的影像、使用該子集的預測定型模型，並比較預測及所提供的標籤。

在定型模型頁面中，您可以在不同的影像集上觸發新的評估執行，或選取頁面頂端的索引標籤，在 Vision Studio 中試用您自己的測試。