构建图像分类模型

以下是开发图像分类模型的各个阶段：

1. 确定您的需求 — 确定您的模型和部署要求，例如所需的响应时间、构建工作量、模型要求、维护要求和预算。

2. 选择模型-创建模型选项列表，其中包含每个模型的相关优势和成本。每种型号都有不同的部署选项。根据成本效益分析选择模型。

3. 确定部署基础架构 — 对于所选模型，完善部署基础架构计划（如果需要）。

4. 确定模型监控和维护工作流程 — 这包括模型架构的更新、定期的再训练以及由偏差和数据质量监控警报触发的更正。此工作流程的结构取决于应用程序。例如，需求预测模型可能需要频繁的重新训练和监控，以考虑市场趋势或其他因素导致的模型偏差。只有在有改进的模型架构可用时，才需要更新在安全镜头中检测人类的分类模型。

下图显示了在选择和部署影像分类模型时必须考虑的阶段和注意事项。

尽管这些阶段按顺序排列以显示依赖性，但大部分决策发生在第二阶段，即选择模型。在此阶段，您将对满足您在第一阶段中定义的要求的选项进行成本效益分析。这是因为每个建模选项都与不同的部署和维护可能性相关联。

在本指南中，您将使用这些阶段来收集您的需求，然后评估建模选项。它解释了可用的建模选项， AWS 服务 以及在选择建模方法后如何组织后续的基础架构开发。

假设您的目标是最大限度地减少代码量和复杂性，则以下步骤概述了用于确定建模方法的简化版本：

1. 检查 Amazon Rekognition 标签中是否已包含课程。如果是，请根据您的用例对这项服务进行基准测试。有关更多信息，请参阅本指南中的亚马逊 Re kognition。

2. 如果默认的预训练服务不能满足您的需求，请浏览亚马逊 Rekognition 自定义标签。有关更多信息，请参阅本指南中的亚马逊 Rekognition 自定义标签。

3. 如果亚马逊 Rekognition 和亚马逊 Rekognition 自定义标签都不适合你的用例，请考虑通过亚马逊 AI Canvas 对图片进行分类。 SageMaker 有关更多信息，请参阅本指南中的 Amazon SageMaker AI Canvas。

4. 如果 SageMaker AI Canvas 未涵盖您的用例，请考虑使用 A SageMaker I 端点（基于服务器或无服务器）。有关更多信息，请参阅本指南中的 Amazon SageMaker AI 终端节点。

5. 如果这些服务都无法解决您的使用案例，请在亚马逊弹性容器服务（亚马逊ECS）或亚马逊弹性 Kubernetes Service（亚马逊）中使用容器化解决方案。EKS有关更多信息，请参阅本指南中的自定义训练作业。

考虑到您的解决方案的某些要求，在某些情况下可以很快跳过这些步骤。例如，如果除了通过创建其他图像可以轻松完成的例程之外，还需要一个涉及的增强例程，则可以跳过步骤 1 和 2。