Özel Görüntü İşleme projesi için etki alanı seçme
Bu kılavuzda, Özel Görüntü İşleme Hizmeti'nde projeniz için bir etki alanı seçme gösterilmektedir.
Özel Görüntü İşleme web portalındaki projenizin ayarlar sekmesinden projeniz için bir model etki alanı seçebilirsiniz. Kullanım örneği senaryonuza en yakın etki alanını seçmek istersiniz. Özel Görüntü İşleme bir istemci kitaplığı veya REST API aracılığıyla erişiyorsanız, projeyi oluştururken bir etki alanı kimliği belirtmeniz gerekir. Etki Alanlarını Al ile etki alanı kimliklerinin listesini alabilirsiniz. Alternatif olarak aşağıdaki tabloyu da kullanabilirsiniz.
Görüntü Sınıflandırma etki alanları
| Domain | Purpose |
|---|---|
| Genel | Çok çeşitli görüntü sınıflandırma görevleri için iyileştirilmiştir. Diğer belirli etki alanlarından hiçbiri uygun değilse veya hangi etki alanını seçeceğiniz konusunda emin değilseniz Genel etki alanlarından birini seçin. KİMLİĞİ: ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| Genel [A1] | Genel etki alanıyla karşılaştırılabilir çıkarım süresiyle daha iyi doğruluk için iyileştirilmiştir. Daha büyük veri kümeleri veya daha zor kullanıcı senaryoları için önerilir. Bu etki alanı daha fazla eğitim süresi gerektirir. KİMLİĞİ: a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| Genel [A2] | Genel[A1] ve Genel etki alanlarından daha hızlı çıkarım süresiyle daha iyi doğruluk için iyileştirilmiştir. Çoğu veri kümesi için önerilir. Bu etki alanı, Genel ve Genel [A1] etki alanlarından daha az eğitim süresi gerektirir. KİMLİĞİ: 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| Gıda | Bir restoran menüsünde görebileceğiniz gibi yemeklerin fotoğrafları için optimize edilmiştir. Tek tek meyve veya sebzelerin fotoğraflarını sınıflandırmak istiyorsanız, Gıda etki alanını kullanın. KİMLİĞİ: c151d5b5-dd07-472a-acc8-15d29dea8518 |
| Simge | Hem doğal hem de yapay olarak tanınabilir yer işaretleri için iyileştirilmiştir. Bu etki alanı, yer işareti fotoğrafta açıkça göründüğünde en iyi şekilde çalışır. Bu etki alanı, yer işareti önündeki kişiler tarafından biraz engellenmiş olsa bile çalışır. KİMLİĞİ: ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | Alışveriş kataloğunda veya alışveriş web sitesinde bulunan görüntüler için iyileştirilmiş. Elbiseler, pantolonlar ve gömlekler arasında yüksek hassasiyetli sınıflandırma istiyorsanız, bu etki alanını kullanın. KİMLİĞİ: b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| Sıkıştırılmış etki alanları | Uç cihazlarda gerçek zamanlı sınıflandırma kısıtlamaları için iyileştirilmiştir. |
Not
General[A1] ve General[A2] etki alanları geniş bir senaryo kümesi için kullanılabilir ve doğruluk için iyileştirilmiştir. Daha iyi çıkarım hızı ve daha kısa eğitim süresi için General[A2] modelini kullanın. Daha büyük veri kümelerinde General[A1] kullanarak General[A2] değerinden daha iyi doğruluk elde etmek isteyebilirsiniz ancak daha fazla eğitim ve çıkarım süresi gerektirir. Genel modeli hem Genel[A1] hem de Genel[A2] değerinden daha fazla çıkarım süresi gerektirir.
Nesne Algılama etki alanları
| Domain | Purpose |
|---|---|
| Genel | Çok çeşitli nesne algılama görevleri için iyileştirilmiştir. Diğer etki alanlarından hiçbiri uygun değilse veya hangi etki alanını seçeceğinizi bilmiyorsanız Genel etki alanını seçin. KİMLİĞİ: da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| Genel [A1] | Genel etki alanıyla karşılaştırılabilir çıkarım süresiyle daha iyi doğruluk için iyileştirilmiştir. Daha doğru bölge konum gereksinimleri, daha büyük veri kümeleri veya daha zor kullanıcı senaryoları için önerilir. Bu etki alanı daha fazla eğitim süresi gerektirir ve sonuçlar belirleyici değildir: sağlanan eğitim verileriyle %+-1 ortalama Ortalama Duyarlık (mAP) farkı beklenir. KİMLİĞİ: 9c616dff-2e7d-ea11-af59-1866da359ce6 |
| Logo | Görüntülerdeki marka logolarını bulmak için iyileştirilmiştir. KİMLİĞİ: 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
| Raflardaki ürünler | Raflardaki ürünleri algılamak ve sınıflandırmak için iyileştirilmiştir. KİMLİĞİ: 3780a898-81c3-4516-81ae-3a139614e1f3 |
| Sıkıştırılmış etki alanları | Uç cihazlarda gerçek zamanlı nesne algılama kısıtlamaları için iyileştirilmiştir. |
Sıkıştırılmış etki alanları
Sıkıştırılmış etki alanları tarafından oluşturulan modeller yerel olarak çalıştırılacak şekilde dışarı aktarılabilir. Özel Görüntü İşleme 3.4 genel önizleme API'sinde GetDomains API'sini çağırarak sıkıştırılmış etki alanları için dışarı aktarılabilir platformların listesini alabilirsiniz.
Nesne Algılama Genel (sıkıştırılmış) etki alanının VAIDK'yi desteklememesi dışında, aşağıdaki etki alanlarının tümü ONNX, TensorFlow, TensorFlowLite, TensorFlow.js, CoreML ve VAIDK biçimlerinde dışarı aktarmayı destekler.
Model performansı seçili etki alanına göre değişir. Aşağıdaki tabloda, Intel Desktop CPU ve NVidia GPU'da model boyutunu ve çıkarım süresini bildiriyoruz [1]. Bu sayılar ön işleme ve işlem sonrası zamanı içermez.
| Görev | Domain | Kimlik | Model Boyutu | CPU çıkarım süresi | GPU çıkarım süresi |
|---|---|---|---|---|---|
| Sınıflandırma | Genel (kompakt) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 MB | 10 ms | 5 ms |
| Sınıflandırma | Genel (kompakt) [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 MB | 50 ms | 5 ms |
| Nesne Algılama | Genel (kompakt) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 MB | 35 ms | 5 ms |
| Nesne Algılama | Genel (kompakt) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 ms | 7 ms |
Not
Nesne Algılama için Genel (sıkıştırılmış) etki alanı özel bir işlem sonrası mantığı gerektirir. Ayrıntılı bilgi için lütfen dışarı aktarılan zip paketinde örnek bir betik bakın. İşlem sonrası mantığı olmayan bir modele ihtiyacınız varsa Genel (kompakt) [S1] kullanın.
Önemli
Dışarı aktarılan modellerin bulut üzerindeki tahmin API'si ile tam olarak aynı sonucu vermesi garanti değildir. Çalışan platformdaki veya ön işleme uygulamasındaki küçük fark, model çıkışlarında daha büyük farklara neden olabilir. Ön işleme mantığının ayrıntıları için lütfen bu belgeye bakın.
[1] Intel Xeon E5-2690 CPU ve NVIDIA Tesla M60
Sonraki adımlar
bir Özel Görüntü İşleme projesi oluşturmaya ve eğitmeye başlamak için hızlı başlangıcı izleyin.