Auswählen einer Domäne für ein Custom Vision-Projekt
In diesem Leitfaden erfahren Sie, wie Sie eine Domäne für Ihr Projekt im Custom Vision-Dienst auswählen.
Auf dem Tab Einstellungen Ihres Projekts im Custom Vision-Webportal können Sie eine Modelldomäne für Ihr Projekt auswählen. Sie sollten die Domäne auswählen, die Ihrem Anwendungsfallszenario am nächsten kommt. Wenn Sie auf Custom Vision über eine Clientbibliothek oder eine REST-API zugreifen, brauchen Sie beim Erstellen des Projekts keine Domänen-ID anzugeben. Sie können eine Liste der Domänen-IDs mithilfe von Get Domains abrufen. Alternativ können Sie die nachstehende Tabelle verwenden.
Bildklassifizierungsdomänen
| Domäne | Zweck |
|---|---|
| Allgemein | Für eine breite Palette von Aufgaben in der Bildklassifizierung optimiert. Wenn keine der anderen speziellen Domänen geeignet erscheint oder Sie unsicher sind, welche Domäne Sie wählen sollen, verwenden Sie eine der allgemeinen Domänen. ID: ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| General [A1] (Allgemein [A1]) | Diese ist optimiert für eine bessere Genauigkeit mit vergleichbarer Rückschlusszeit wie die allgemeine Domäne. Sie wird für größere Datasets oder schwierigere Benutzerszenarios empfohlen. Diese Domäne erfordert mehr Trainingszeit. ID: a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| Allgemein [A2] | Diese ist optimiert für eine bessere Genauigkeit mit kürzerer Rückschlusszeit als die Domänen „Allgemein [A1]“ und „Allgemein“. Wird für die meisten Datasets empfohlen. Diese Domäne erfordert weniger Trainingszeit als die Domänen „Allgemein“ und „Allgemein [A1]“. ID: 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| Food (Lebensmittel) | Für Fotos von Gerichten optimiert, wie sie beispielsweise auf der Speisekarte von Restaurants abgebildet werden. Wenn Sie Fotos von einzelnen Früchten oder Gemüsen klassifizieren möchten, verwenden Sie die Domäne „Food“. ID: c151d5b5-dd07-472a-acc8-15d29dea8518 |
| Landmarks (Wahrzeichen) | Optimiert für erkennbare Wahrzeichen (Naturdenkmäler oder künstlich geschaffene Wahrzeichen). Diese Domäne funktioniert am besten, wenn das Wahrzeichen im Foto deutlich zu sehen ist. Die Domäne funktioniert auch, wenn das Wahrzeichen etwas von Personen im Vordergrund verdeckt wird. ID: ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail (Einzelhandel) | Für Bilder optimiert, wie man sie in einem Einkaufskatalog oder auf einer Einkaufswebsite findet. Wenn Sie eine präzise Klassifizierung zwischen Kleidern, Hosen und Hemden wünschen, verwenden Sie diese Domäne. ID: b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| Kompaktdomänen | Für die Bedingungen der Echtzeitklassifizierung auf Edgegeräten optimiert. |
Hinweis
Die Domänen „Allgemein [A1]“ und „Allgemein [A2]“ können für eine Vielzahl von Szenarien verwendet werden und sind für Genauigkeit optimiert. Verwenden Sie das Modell „Allgemein [A2]“ , um eine höhere Rückschlussgeschwindigkeit und eine kürzere Trainingszeit zu erzielen. Bei größeren Datasets empfiehlt es sich unter Umständen, „Allgemein [A1]“ zu verwenden, um eine bessere Genauigkeit als mit „Allgemein [A2]“ zu erzielen, obwohl mehr Trainings- und Rückschlusszeit erforderlich sind. Das Modell „Allgemein“ erfordert mehr Rückschlusszeit als „Allgemein [A1]“ und „Allgemein [A2]“.
Objekterkennungsdomänen
| Domäne | Zweck |
|---|---|
| Allgemein | Für eine Vielzahl von Aufgaben der Objekterkennung optimiert. Wenn keine der anderen Domänen geeignet erscheint oder Sie unsicher sind, welche Domäne Sie wählen sollen, verwenden Sie die allgemeine Domäne. ID: da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| General [A1] (Allgemein [A1]) | Diese ist optimiert für eine bessere Genauigkeit mit vergleichbarer Rückschlusszeit wie die allgemeine Domäne. Sie wird für genauere Anforderungen an die Region, größere Datasets oder schwierigere Benutzerszenarios empfohlen. Diese Domäne erfordert mehr Trainingszeit, und die Ergebnisse sind nicht deterministisch. Bei Verwendung der gleichen Trainingsdaten ist mit einem mAP-Unterschied (Mean Average Precision, Präzision des gewogenen Mittelwerts) von +-1 % zu rechnen. ID: 9c616dff-2e7d-ea11-af59-1866da359ce6 |
| Logo | Für die Suche nach Markenlogos in Bildern optimiert. ID: 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
| Produkte in Regalen | Für die Erkennung und Klassifizierung von Produkten in Regalen optimiert. ID: 3780a898-81c3-4516-81ae-3a139614e1f3 |
| Kompaktdomänen | Für die Bedingungen der Echtzeitobjekterkennung auf Edgegeräten optimiert. |
Kompaktdomänen
Die von Kompaktdomänen generierten Modelle können für die lokale Ausführung exportiert werden. In der öffentlichen Vorschauversion 3.4 der API von Custom Vision können Sie eine Liste der exportierbaren Plattformen für kompakte Domänen erhalten, indem Sie die GetDomains-API aufrufen.
Alle folgenden Domänen unterstützen den Export im ONNX-, TensorFlow-, TensorFlowLite-, TensorFlow.js-, CoreML- und VAIDK-Format, mit der Ausnahme, dass die Domäne Objekterkennung Allgemein (kompakt) nicht VAIDK unterstützt.
Die Modellleistung variiert je nach ausgewählter Domäne. In der folgenden Tabelle werden die Modellgröße und die Rückschlusszeit auf der Intel Desktop-CPU und der NVIDIA-GPU angegeben [1]. Diese Zahlen enthalten keine Vor- und Nachverarbeitungszeit.
| Aufgabe | Domain | id | Modellgröße | CPU-Rückschlusszeit | GPU-Rückschlusszeit |
|---|---|---|---|---|---|
| Klassifizierung | General (compact) (Allgemein (kompakt)) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 MB | 10 ms | 5 ms |
| Klassifizierung | Allgemein (kompakt) [$1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 MB | 50 ms | 5 ms |
| Objekterkennung | General (compact) (Allgemein (kompakt)) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 MB | 35 ms | 5 ms |
| Objekterkennung | Allgemein (kompakt) [$1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 ms | 7 ms |
Hinweis
Die Domäne Allgemein (kompakt) für die Objekterkennung erfordert eine spezielle Nachverarbeitungslogik. Die Einzelheiten entnehmen Sie einem Beispielskript im exportierten ZIP-Paket. Wenn Sie ein Modell ohne die Nachverarbeitungslogik benötigen, verwenden Sie Allgemein (kompakt) [S1] .
Wichtig
Es gibt keine Garantie dafür, dass die exportierten Modelle genau das gleiche Ergebnis wie die Vorhersage-API in der Cloud liefern. Geringfügige Unterschiede bei der Ausführungsplattform oder der Vorverarbeitungsimplementierung können größere Unterschiede in den Modellausgaben verursachen. Die Einzelheiten zur Vorverarbeitungslogik finden Sie in diesem Dokument.
[1] Intel Xeon E5-2690 CPU und NVIDIA Tesla M60
Nächste Schritte
Befolgen Sie eine Schnellstartanleitung, um mit der Erstellung und dem Training eines Custom Vision-Projekts zu beginnen.