選取 自訂視覺 專案的網域
本指南說明如何在 自訂視覺 服務中選取專案的網域。
從 自訂視覺 入口網站上專案的 [設定] 索引標籤中，您可以選取專案的模型網域。 您想要選擇最接近使用案例的網域。 如果您要透過用戶端連結庫或 REST API 存取 自訂視覺，則必須在建立專案時指定網域識別符。 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優化。 如果其他特定網域都不適用，或不確定要選擇哪一個網域，請選取其中一個 [一般] 網域。 Id： ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| 一般 [A1] | 使用與一般定義域類似的推斷時間優化，以取得更佳的精確度。 建議用於較大的數據集或較困難的使用者案例。 此網域需要更多定型時間。 Id： a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| 一般 [A2] | 使用比一般[A1] 和一般網域更快的推斷時間優化，以提升精確度。 建議用於大部分的數據集。 此網域需要比一般和一般 [A1] 網域更少的定型時間。 Id： 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| 食品 | 針對菜餚的照片進行優化，因為您會在餐廳功能表上看到它們。 如果您想要分類個別水果或蔬菜的照片，請使用 [食物] 網域。 Id： c151d5b5-dd07-472a-acc8-15d29dea8518 |
| 地標 | 已針對自然和人工可辨識地標進行優化。 當相片中清楚地看到地標時，這個領域效果最好。 即使地標被前面的人稍微阻撓，此網域仍可運作。 Id： ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | 已針對在購物類別目錄或購物網站中找到的影像進行優化。 如果您想要在連衣裙、褲子和襯衫之間進行高精確度分類，請使用這個領域。 Id： b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| 精簡網域 | 已針對邊緣裝置上即時分類的條件約束進行優化。 |
注意
一般[A1] 和一般[A2] 網域可用於一組廣泛的案例，並針對精確度進行優化。 使用 General[A2] 模型，以取得更佳的推斷速度和較短的定型時間。 對於較大的數據集，您可能想要使用 General[A1] 來轉譯比 General[A2] 更好的精確度，不過它需要更多的定型和推斷時間。 一般模型需要比 General[A1] 和 General[A2] 更多的推斷時間。
對象偵測網域
| 網域 | 目的 |
|---|---|
| 一般 | 已針對廣泛的物件偵測工作進行優化。 如果其他網域都不適用，或您不確定要選擇哪一個網域，請選取 [一般] 網域。 Id： da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| 一般 [A1] | 使用與一般定義域類似的推斷時間優化，以取得更佳的精確度。 建議使用更精確的區域位置需求、較大的數據集，或更困難的使用者案例。 此定義域需要更多的定型時間，且結果不具決定性：預期 +-1% 平均平均精確度 （mAP） 差異與所提供的相同定型數據。 Id： 9c616dff-2e7d-ea11-af59-1866da359ce6 |
| 標誌 | 已針對在影像中尋找品牌標誌進行優化。 Id： 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優化。 Id： 3780a898-81c3-4516-81ae-3a139614e1f3 |
| 精簡網域 | 已針對邊緣裝置上即時物件偵測的條件約束進行優化。 |
精簡網域
壓縮網域所產生的模型可以匯出為在本機執行。 在 自訂視覺 3.4 公開預覽 API 中，您可以藉由呼叫 GetDomains API 來取得精簡網域的可匯出平台清單。
下列所有網域都支援在 ONNX、TensorFlow、TensorFlowLite、TensorFlow.js、CoreML 和 VAIDK 格式中導出，但對象偵測一般（compact） 網域不支援 VAIDK 除外。
模型效能會因選取的定義域而有所不同。 在下表中，我們會報告 Intel Desktop CPU 和 NVidia GPU [1] 上的模型大小和推斷時間。 這些數位不包含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
對象 偵測的一般 （compact） 領域需要特殊的後置處理邏輯。 如需詳細數據，請參閱匯出 zip 套件中的範例腳本。 如果您需要沒有後置處理邏輯的模型，請使用一般 （compact） [S1]。
重要
不保證導出的模型會提供與雲端上預測 API 完全相同的結果。 執行平臺或前置處理實作稍有差異，可能會導致模型輸出出現較大差異。 如需前置處理邏輯的詳細數據，請參閱 這份檔。
[1] Intel Xeon E5-2690 CPU 和 NVIDIA Tesla M60
下一步
請遵循快速入門，開始建立和定型 自訂視覺 專案。