Eingabe- und Ausgabeschnittstelle für den Bildklassifizierung – TensorFlow Algorithmus - Amazon SageMaker KI
Inkrementelles TrainingInferenz mit den Bildklassifizierung – TensorFlow-Algorithmus

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Eingabe- und Ausgabeschnittstelle für den Bildklassifizierung – TensorFlow Algorithmus

Jedes der in TensorFlow Hub Models aufgeführten vortrainierten Modelle kann auf jeden Datensatz mit einer beliebigen Anzahl der Bildklassen abgestimmt werden. Denken Sie daran, wie Sie Ihre Trainingsdaten für die Eingabe in das Bildklassifizierung – TensorFlow-Modell formatieren.

  • Eingabeformat für Trainingsdaten: Ihre Trainingsdaten sollten ein Verzeichnis mit so vielen Unterverzeichnissen wie die Anzahl der Klassen sein. Jedes Unterverzeichnis sollte Bilder, die zu dieser Klasse gehören, im Format .jpg, .jpeg oder .png enthalten.

Es folgt ein Beispiel für eine Eingabeverzeichnisstruktur. Dieser Beispieldatensatz hat zwei Klassen: roses und dandelion. Die Bilddateien in jedem Klassenordner können einen beliebigen Namen haben. Das Eingabeverzeichnis sollte in einem Amazon-S3-Bucket mit einem Pfad gehostet werden, der dem folgenden ähnelt: s3://bucket_name/input_directory/. Beachten Sie, dass das Trailing / erforderlich ist.

input_directory
    |--roses
        |--abc.jpg
        |--def.jpg
    |--dandelion
        |--ghi.jpg
        |--jkl.jpg

Trainierte Modelle geben Beschriftungs-Mapping-Dateien aus, die Klassenordnernamen den Indizes in der Liste der Ausgabeklassenwahrscheinlichkeiten zuordnen. Diese Zuordnung ist in alphabetischer Reihenfolge. Im vorherigen Beispiel hat die Löwenzahnklasse beispielsweise den Index 0 und die Rosenklasse den Index 1.

Nach dem Training verfügen Sie über ein fein abgestimmtes Modell, das Sie mithilfe von inkrementellem Training weiter trainieren oder zu Inferenzzwecken einsetzen können. Der Algorithmus Bildklassifizierung – TensorFlow fügt dem fein abgestimmten Modell automatisch eine Vor- und Nachverarbeitungssignatur hinzu, sodass es Bilder als Eingabe aufnehmen und Klassenwahrscheinlichkeiten zurückgeben kann. Die Datei, die Klassenindizes Klassenbezeichnungen zuordnet, wird zusammen mit den Modellen gespeichert.

Inkrementelles Training

Sie können das Training eines neuen Modells mit Artefakten aus einem Modell, das Sie zuvor mit SageMaker AI trainiert haben, vornehmen. Dieses inkrementelle Training verkürzt die Trainingsdauer, wenn Sie ein neues Modell mit denselben oder ähnlichen Daten trainieren möchten.

Anmerkung

Sie können ein SageMaker AI Bildklassifizierung – TensorFlow-Modell nur mit einem anderen Bildklassifizierung – TensorFlow-Modell seeden, das in SageMaker AI trainiert wurde.

Sie können jeden Datensatz für das inkrementelle Training verwenden, solange der Klassensatz derselbe bleibt. Der inkrementelle Trainingsschritt ähnelt dem Feinabstimmungsschritt, aber anstatt mit einem vortrainierten Modell zu beginnen, beginnen Sie mit einem vorhandenen fein abgestimmten Modell. Ein Beispiel für inkrementelles Training mit dem Algorithmus Bildklassifizierung – TensorFlow von SageMaker AI finden Sie im Beispiel-Notebook Einführung in SageMaker AI TensorFlow – Bildklassifizierung.

Inferenz mit den Bildklassifizierung – TensorFlow-Algorithmus

Sie können das fein abgestimmte Modell, das aus Ihrem TensorFlow-Bildklassifizierungstraining resultiert, als Inferenz hosten. Jedes Eingabebild für die Inferenz muss sich in .jpg, jpeg oder .png-Format befinden und vom Inhaltstyp application/x-image sein. Der Bildklassifizierung – TensorFlow-Algorithmus passt die Größe der Eingabebilder automatisch an.

Das Ausführen von Inferenzen führt zu Wahrscheinlichkeitswerten, Klassenbezeichnungen für alle Klassen und der voraussichtlichen Beschriftung, das dem Klassenindex mit der höchsten Wahrscheinlichkeit entspricht, und im JSON-Format kodiert ist. Das Bildklassifizierung – TensorFlow-Modell verarbeitet ein einzelnes Bild pro Anfrage und gibt nur eine Zeile aus. Nachfolgend finden Sie ein Beispiel für eine Antwort im JSON Format:

accept: application/json;verbose

 {"probabilities": [prob_0, prob_1, prob_2, ...],
  "labels":        [label_0, label_1, label_2, ...],
  "predicted_label": predicted_label}

Wenn accept auf application/json gesetzt ist, gibt das Modell nur Wahrscheinlichkeiten aus. Weitere Informationen zum Training und Inferenz mit dem Algorithmus Bildklassifizierung – TensorFlow finden Sie im Beispiel-Notebook Introduction to SageMaker TensorFlow – Bildklassifizierung.