Välj en domän för ett Custom Vision-projekt
Den här guiden visar hur du väljer en domän för ditt projekt i Custom Vision Service.
På fliken Inställningar i projektet på Custom Vision-webbportalen kan du välja en modelldomän för projektet. Du vill välja den domän som är närmast ditt användningsfallsscenario. Om du använder Custom Vision via ett klientbibliotek eller REST API måste du ange ett domän-ID när du skapar projektet. Du kan hämta en lista över domän-ID:t med Hämta domäner. Eller använd tabellen nedan.
Bildklassificeringsdomäner
| Domän | Syfte |
|---|---|
| Allmänt | Optimerad för ett brett spektrum av bildklassificeringsuppgifter. Om ingen av de andra specifika domänerna är lämpliga eller om du är osäker på vilken domän du ska välja väljer du en av de allmänna domänerna. ID: ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| Allmänt [A1] | Optimerad för bättre noggrannhet med jämförbar slutsatsdragningstid som allmän domän. Rekommenderas för större datamängder eller svårare användarscenarier. Den här domänen kräver mer träningstid. ID: a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| Allmänt [A2] | Optimerad för bättre noggrannhet med snabbare slutsatsdragningstid än allmänna[A1] och allmänna domäner. Rekommenderas för de flesta datauppsättningar. Den här domänen kräver mindre utbildningstid än allmänna och allmänna [A1]-domäner. ID: 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| Mat | Optimerad för fotografier av rätter som du skulle se dem på en restaurangmeny. Om du vill klassificera fotografier av enskilda frukter eller grönsaker använder du domänen Mat. ID: c151d5b5-dd07-472a-acc8-15d29dea8518 |
| Landmärken | Optimerad för igenkännliga landmärken, både naturliga och artificiella. Den här domänen fungerar bäst när landmärket är tydligt synligt i fotografiet. Den här domänen fungerar även om landmärket blockeras något av personer framför den. ID: ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | Optimerad för bilder som finns i en shoppingkatalog eller shoppingwebbplats. Om du vill klassificera hög precision mellan klänningar, byxor och skjortor använder du den här domänen. ID: b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| Kompakta domäner | Optimerad för begränsningarna för realtidsklassificering på gränsenheter. |
Kommentar
Domänerna General[A1] och General[A2] kan användas för en bred uppsättning scenarier och optimeras för noggrannhet. Använd modellen General[A2] för bättre slutsatsdragningshastighet och kortare träningstid. För större datauppsättningar kanske du vill använda Allmänt[A1] för att återge bättre noggrannhet än Allmänt[A2], även om det kräver mer träning och slutsatsdragningstid. Den allmänna modellen kräver mer slutsatsdragningstid än både General[A1] och General[A2].
Objektidentifieringsdomäner
| Domän | Syfte |
|---|---|
| Allmänt | Optimerad för ett brett spektrum av objektidentifieringsuppgifter. Om ingen av de andra domänerna är lämpliga, eller om du är osäker på vilken domän du ska välja, väljer du domänen Allmänt. ID: da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| Allmänt [A1] | Optimerad för bättre noggrannhet med jämförbar slutsatsdragningstid som allmän domän. Rekommenderas för mer exakta platsbehov för regioner, större datauppsättningar eller svårare användarscenarier. Den här domänen kräver mer träningstid och resultaten är inte deterministiska: förvänta dig en skillnad på +-1 % genomsnittlig precision (mAP) med samma träningsdata som tillhandahålls. ID: 9c616dff-2e7d-ea11-af59-1866da359ce6 |
| Logotyp | Optimerad för att hitta varumärkeslogotyper i bilder. ID: 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
| Produkter på hyllor | Optimerad för att identifiera och klassificera produkter på hyllor. ID: 3780a898-81c3-4516-81ae-3a139614e1f3 |
| Kompakta domäner | Optimerad för begränsningarna för identifiering av objekt i realtid på gränsenheter. |
Kompakta domäner
Modeller som genereras av kompakta domäner kan exporteras för att köras lokalt. I API:et för den offentliga förhandsversionen av Custom Vision 3.4 kan du hämta en lista över de exporterbara plattformarna för kompakta domäner genom att anropa GetDomains API.
Alla följande domäner stöder export i ONNX-, TensorFlow-, TensorFlowLite-, TensorFlow.js-, CoreML- och VAIDK-format, med undantag för att domänen Object Detection General (kompakt) inte stöder VAIDK.
Modellprestanda varierar beroende på vald domän. I tabellen nedan rapporterar vi modellstorleken och inferenstiden för Intel Desktop CPU och NVidia GPU [1]. Dessa siffror inkluderar inte förbearbetnings- och efterbearbetningstid.
| Uppgift | Domän | ID | Modellstorlek | Cpu-slutsatsdragningstid | GPU-inferenstid |
|---|---|---|---|---|---|
| Klassificering | Allmänt (kompakt) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 MB | 10 ms | 5 ms |
| Klassificering | Allmänt (kompakt) [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 MB | 50 ms | 5 ms |
| Objektidentifiering | Allmänt (kompakt) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 MB | 35 ms | 5 ms |
| Objektidentifiering | Allmänt (kompakt) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 ms | 7 ms |
Kommentar
Den allmänna (kompakta) domänen för objektidentifiering kräver särskild logik för efterbearbetning. Mer information finns i ett exempelskript i det exporterade zip-paketet. Om du behöver en modell utan efterbearbetningslogik använder du Allmänt (kompakt) [S1].
Viktigt!
Det finns ingen garanti för att de exporterade modellerna ger exakt samma resultat som förutsägelse-API:et i molnet. Liten skillnad i den löpande plattformen eller förbearbetningsimplementeringen kan orsaka större skillnad i modellutdata. Mer information om förbearbetningslogik finns i det här dokumentet.
[1] Intel Xeon E5-2690 CPU och NVIDIA Tesla M60
Nästa steg
Följ en snabbstart för att komma igång med att skapa och träna ett Custom Vision-projekt.