Freigeben über


Auswählen einer Domäne für ein Custom Vision-Projekt

In diesem Leitfaden erfahren Sie, wie Sie eine Domäne für Ihr Projekt im Custom Vision-Dienst auswählen. Domänen dienen als Anfangspunkt für Ihr Projekt.

Melden Sie sich auf der Custom Vision-Website bei Ihrem Konto an, und wählen Sie dann Ihr Projekt aus. Wählen Sie rechts oben das Symbol Einstellungen aus. Auf der Seite Projekteinstellungen können Sie eine Modelldomäne auswählen. Sie sollten die Domäne auswählen, die Ihrem Anwendungsfallszenario am nächsten kommt. Wenn Sie auf Custom Vision über eine Clientbibliothek oder eine REST-API zugreifen, müssen Sie beim Erstellen des Projekts eine Domänen-ID angeben. Sie können eine Liste der Domänen-IDs mithilfe der Anforderung Domänen abrufen abrufen. Sie können auch die folgende Tabelle verwenden.

Bildklassifizierungsdomänen

Domäne Kennung Zweck
Allgemein ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 Für eine breite Palette von Aufgaben in der Bildklassifizierung optimiert. Wenn keine der anderen speziellen Domänen geeignet erscheint oder Sie unsicher sind, welche Domäne Sie auswählen sollen, verwenden Sie eine der allgemeinen Domänen.
General [A1] (Allgemein [A1]) a8e3c40f-fb4a-466f-832a-5e457ae4a344 Diese ist optimiert für eine bessere Genauigkeit mit vergleichbarer Rückschlusszeit wie die Domäne Allgemein. Sie wird für größere Datasets oder schwierigere Benutzerszenarios empfohlen. Diese Domäne erfordert mehr Trainingszeit.
Allgemein [A2] 2e37d7fb-3a54-486a-b4d6-cfc369af0018 Diese ist optimiert für eine bessere Genauigkeit mit kürzerer Rückschlusszeit als die Domänen Allgemein [A1] und Allgemein. Wird für die meisten Datasets empfohlen. Diese Domäne erfordert weniger Trainingszeit als die Domänen Allgemein und Allgemein [A1].
Food (Lebensmittel) c151d5b5-dd07-472a-acc8-15d29dea8518 Für Fotos von Gerichten optimiert, wie sie beispielsweise auf der Speisekarte von Restaurants abgebildet werden. Wenn Sie Fotos von einzelnen Früchten oder von Gemüse klassifizieren möchten, verwenden Sie die Domäne Food.
Landmarks (Wahrzeichen) ca455789-012d-4b50-9fec-5bb63841c793 Optimiert für erkennbare Wahrzeichen (Naturdenkmäler oder künstlich geschaffene Wahrzeichen). Diese Domäne funktioniert am besten, wenn das Wahrzeichen im Foto deutlich zu sehen ist. Die Domäne funktioniert auch, wenn das Wahrzeichen etwas von Personen im Vordergrund verdeckt wird.
Retail (Einzelhandel) b30a91ae-e3c1-4f73-a81e-c270bff27c39 Für Bilder optimiert, wie man sie in einem Einkaufskatalog oder auf einer Einkaufswebsite findet. Wenn Sie eine präzise Klassifizierung zwischen Kleidern, Hosen und Hemden wünschen, verwenden Sie diese Domäne.
Kompaktdomänen Für die Bedingungen der Echtzeitklassifizierung auf Edgegeräten optimiert.

Hinweis

Die Domänen Allgemein [A1] und Allgemein [A2] können für eine Vielzahl von Szenarien verwendet werden und sind für Genauigkeit optimiert. Verwenden Sie das Modell Allgemein [A2], um eine höhere Rückschlussgeschwindigkeit und eine kürzere Trainingszeit zu erzielen. Bei größeren Datasets empfiehlt es sich unter Umständen, Allgemein [A1] zu verwenden, um eine bessere Genauigkeit als mit Allgemein [A2] zu erzielen, obwohl mehr Trainings- und Rückschlusszeit erforderlich sind. Das Modell Allgemein erfordert mehr Rückschlusszeit als Allgemein [A1] und Allgemein [A2].

Objekterkennungsdomänen

Domäne Kennung Zweck
Allgemein da2e3a8a-40a5-4171-82f4-58522f70fbc1 Für eine Vielzahl von Aufgaben der Objekterkennung optimiert. Wenn keine der anderen Domänen geeignet erscheint oder Sie unsicher sind, welche Domäne Sie auswählen sollen, verwenden Sie die Domäne Allgemein.
General [A1] (Allgemein [A1]) 9c616dff-2e7d-ea11-af59-1866da359ce6 Diese ist optimiert für eine bessere Genauigkeit mit vergleichbarer Rückschlusszeit wie die Domäne Allgemein. Sie wird für genauere Anforderungen an die Region, größere Datasets oder schwierigere Benutzerszenarios empfohlen. Diese Domäne erfordert mehr Trainingszeit, und die Ergebnisse sind nicht deterministisch: Bei Verwendung der gleichen Trainingsdaten ist mit einem mAP-Unterschied (Mean Average Precision, Präzision des gewogenen Mittelwerts) von +-1 % zu rechnen.
Logo 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 Für die Suche nach Markenlogos in Bildern optimiert.
Produkte in Regalen 3780a898-81c3-4516-81ae-3a139614e1f3 Für die Erkennung und Klassifizierung von Produkten in Regalen optimiert.
Kompaktdomänen Für die Bedingungen der Echtzeitobjekterkennung auf Edgegeräten optimiert.

Kompaktdomänen

Die von Kompaktdomänen generierten Modelle können für die lokale Ausführung exportiert werden. In der öffentlichen Vorschauversion 3.4 der API von Custom Vision können Sie eine Liste der exportierbaren Plattformen für kompakte Domänen erhalten, indem Sie die GetDomains-API aufrufen.

Alle folgenden Domänen unterstützen den Export im ONNX-, TensorFlow-, TensorFlowLite-, TensorFlow.js-, Core ML- und VAIDK-Format, mit der Ausnahme, dass die Domäne Objekterkennung Allgemein (kompakt) VAIDK nicht unterstützt.

Die Modellleistung variiert je nach ausgewählter Domäne. In der folgenden Tabelle finden Sie die Modellgröße und die Rückschlusszeit mit einer Intel Desktop-CPU und einer NVIDIA-GPU[1]. Diese Zahlen enthalten keine Vor- und Nachverarbeitungszeit.

Aufgabe Domäne Kennung Modellgröße CPU-Rückschlusszeit GPU-Rückschlusszeit
Klassifizierung General (compact) (Allgemein (kompakt)) 0732100f-1a38-4e49-a514-c9b44c697ab5 6 MB 10 ms 5 ms
Klassifizierung Allgemein (kompakt) [S1] a1db07ca-a19a-4830-bae8-e004a42dc863 43 MB 50 ms 5 ms
Objekterkennung General (compact) (Allgemein (kompakt)) a27d5ca5-bb19-49d8-a70a-fec086c47f5b 45 MB 35 ms 5 ms
Objekterkennung Allgemein (kompakt) [S1] 7ec2ac80-887b-48a6-8df9-8b1357765430 14 MB 27 ms 7 ms

Hinweis

Die Domäne Allgemein (kompakt) für die Objekterkennung erfordert spezielle Nachverarbeitungslogik. Einzelheiten finden Sie in einem Beispielskript im exportierten ZIP-Paket. Wenn Sie ein Modell ohne die Nachverarbeitungslogik benötigen, verwenden Sie Allgemein (kompakt) [S1] .

Wichtig

Es gibt keine Garantie dafür, dass die exportierten Modelle genau dasselbe Ergebnis wie die Vorhersage-API in der Cloud liefern. Geringfügige Unterschiede bei der Ausführungsplattform oder der Vorverarbeitungsimplementierung können größere Unterschiede in den Modellausgaben verursachen. Einzelheiten zur Vorverarbeitungslogik finden Sie im Schnellstart: Erstellen eines Bildklassifizierungsprojekts.

[1] Intel Xeon E5-2690 CPU und NVIDIA Tesla M60

Befolgen Sie eine Schnellstartanleitung, um mit der Erstellung und dem Training eines Custom Vision-Projekts zu beginnen.