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。
在自訂視覺入口網站上專案的 [設定] 索引標籤中，選取專案的模型網域。 您會想要選擇最接近您使用案例的網域。 如果您打算透過用戶端程式庫或 REST API 存取自訂視覺，必須在建立專案時指定網域識別碼。 您可以使用取得網域來取得網域識別碼清單。 或者，請使用下表。
影像分類網域
| 網域 | 目的 |
|---|---|
| 一般 | 已針對廣泛的影像分類工作進行最佳化。 如果沒有其他適用的特定網域，或您不確定要選擇哪個網域，請選取「一般」網域。 識別碼：ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| 一般 [A1] | 所需的推斷時間與「一般」網域相近，並針對精確度進行最佳化。 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。 識別碼：a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| 一般 [A2] | 所需的推斷時間比「一般[A1]」和「一般」網域更快，並針對精確度進行最佳化。 建議使用在大部分的資料集。 比起一般網域和一般 [A1] 網域，此網域需要的定型時間較短。 識別碼：2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| 食物 | 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。 如果您想要將個別水果或蔬菜的相片分類，請使用「食物」領域。 識別碼：c151d5b5-dd07-472a-acc8-15d29dea8518 |
| 地標 | 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。 識別碼：ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | 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。 識別碼：b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| 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，並針對精確度進行最佳化。 使用「一般[A2]」模型可獲得更好的推斷速度和較短的定型時間。 針對較大的資料集，建議您使用「一般[A1]」來轉譯，以獲得比「一般[A2]」更好的精確度，雖然會需要更長的定型和推斷時間。 一般模型需要比「一般[A1]」和「一般[A2]」更長的推斷時間。
物件偵測網域
| 網域 | 目的 |
|---|---|
| 一般 | 已針對廣泛的物件偵測工作進行最佳化。 如果沒有其他適用的網域，或您不確定要選擇哪一個網域，請選取「一般」網域。 識別碼：da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| 一般 [A1] | 所需的推斷時間與「一般」網域相近，並針對精確度進行最佳化。 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。 此網域需要更長的定型時間，而且結果不具確定性：在提供相同定型資料的情況下，預期將會有 +-1% 的平均精確度 (mAP) 差異。 識別碼：9c616dff-2e7d-ea11-af59-1866da359ce6 |
| 標誌 | 已針對尋找影像中的品牌標誌進行最佳化。 識別碼：1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
| 貨架上的產品 | 已針對在貨架上偵測和分類產品進行最佳化。 識別碼：3780a898-81c3-4516-81ae-3a139614e1f3 |
| 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 ONNX、TensorFlow、TensorFlowLite、TensorFlow.js、CoreML 和 VAIDK 格式的匯出，例外狀況是，物件偵測一般 (精簡) 網域不支援 VAIDK。
模型效能會因選取的網域而異。 在下表中，我們報告了 Intel 桌上型 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 (精簡) [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 (精簡) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 毫秒 | 7 毫秒 |
注意
用於物件偵測的一般 (精簡) 網域需要特殊的後置處理邏輯。 如需詳細資料，請參閱匯出的 zip 套件中的範例指令碼。 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
無法保證匯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料，請參閱此文件。
[1] Intel Xeon E5-2690 CPU 和 NVIDIA Tesla M60
下一步
遵循快速入門，開始建立及訓練自訂視覺專案。