開始在 Azure 上使用影像分類
您可使用 Azure 自訂視覺來執行影像分類，該服務會當作 Azure AI 服務供應項目的一部分來提供。 這通常比撰寫您自己的模型定型程式碼更容易且更快速，並可讓具有很少或完全沒有機器學習專業知識的人員建立有效影像分類解決方案。
Azure AI 自訂視覺的 Azure 資源
使用 Azure AI 自訂視覺建立影像分類解決方案包含兩個主要工作。 首先，必須使用現有的影像來定型模型，然後必須發佈模型，讓用戶端應用程式可使用模型來產生預測。
針對上述每項工作，您需要 Azure 訂用帳戶中的資源。 您可使用下列類型的資源：
- 自訂視覺：自訂視覺服務的專用資源，其可為「定型」或「預測」資源，或「兩者皆是」。
- Azure AI 服務: 包含 Azure AI 自訂視覺和其他許多 Azure AI 服務的一般資源。 您可使用這種類型的資源來進行「定型」、「預測」或兩者。
當想要個別追蹤模型定型的資源使用率，以及使用模型來預測影像類別的用戶端應用程式時，將定型和預測資源分開會很有用。 不過，這可能會讓開發影像分類解決方案變得有點複雜。
最簡單的方法是使用一般 Azure AI 服務資源來進行定型和預測。 這表示您只需要關注一個「端點」(裝載服務的 HTTP 位址) 和「金鑰」(用戶端應用程式自我驗證所使用的祕密值)。
如果選擇建立自訂視覺資源，系統會提示選擇 [定型]、[預測] 或 [兩者]；請務必注意，如果選擇 [兩者]，則會建立兩項資源：一個用於定型，另一個用於預測。
您也可以採取混搭方法，使用專用的自訂視覺資源進行定型，但將模型部署至 Azure AI 服務資源來進行預測。 若要正常運作，則必須在相同的區域中建立定型和預測資源。
模型訓練
若要定型分類模型，則必須將影像上傳至定型資源，並以適當的類別標籤進行標記。 然後，您必須定型模型並評估定型結果。
您可在自訂視覺入口網站 中執行這些工作，或如需必要的程式碼撰寫體驗，則可使用其中一個 Azure AI 自訂視覺服務程式設計語言特定軟體開發套件 (SDK)。
使用影像進行分類時的其中一個重要考量，就是確保有足夠的問題物件影像，且這些影像應該是拍攝自許多不同角度的物件影像。
模型評估
模型定型流程是一項反覆進行的流程，其中自訂視覺服務會使用部分資料來重複定型模型，但保留部分資料來評估模型。 在定型程序結束時，已定型模型的效能會以下列評估計量表示：
- 精確度：模型正確進行類別預測的百分比為何？ 例如，如果模型預測 10 張影像為橙色，而其中 8 張真正是橙色，則精確度為 0.8 (80%)。
- 召回率：模型正確識別類別預測的百分比為何？ 例如，如果有 10 張蘋果影像，而模型找到其中 7 張，則重新叫用率為 0.7 (70%)。
- 精確度平均值 (AP): 將精確度和召回率都列入考量的整體計量。
使用模型進行預測
在定型模型並對其評估的效能感到滿意之後，即可將模型發佈到預測資源。 當發佈模型時，您可為其指派名稱 (預設為 "IterationX"，其中 X 是已定型模型的次數)。
若要使用模型，用戶端應用程式開發人員需要下列資訊：
- 專案識別碼：您為定型模型所建立自訂視覺專案的唯一識別碼。
- 模型名稱：您在發佈期間指派給模型的名稱。
- 預測端點：模型發佈對象的「預測」資源端點 HTTP 位址 (而不是定型資源)。
- 預測金鑰：模型發佈對象的「預測」資源驗證金鑰 (而不是定型資源)。