建置映像分類模型

以下是開發影像分類模型的階段：

1. 判斷您的需求 – 判斷您的模型和部署需求，例如所需的回應時間、建置工作量、模型需求、維護需求和預算。

2. 選擇模型 – 建立模型選項清單，其中包含每個模型的相關優點和成本。每個模型都有不同的部署選項。根據成本效益分析選取模型。

3. 判斷部署基礎設施 – 針對選取的模型，精簡部署基礎設施計劃 （如有需要）。

4. 判斷模型監控和維護工作流程 – 這包括模型架構的更新、定期重新訓練，以及監控警示以判斷偏差和資料品質所觸發的更正。此工作流程的結構取決於應用程式。例如，由於市場趨勢或其他因素，需求預測模型可能需要頻繁重新訓練和監控，以考慮模型偏離。只有在有改善的模型架構可用時，才可能需要更新偵測安全影像素材中人類的分類模型。

下圖顯示您在選擇和部署影像分類模型時必須考量的階段和考量事項。

雖然這些階段會依次顯示相依性，但大部分決策會在第二個階段進行，選擇模型。在此階段中，您會對符合您在第一個階段中定義之需求的選項執行成本效益分析。這是因為每個建模選項都與不同的部署和維護可能性相關聯。

在本指南中，您可以使用這些階段來收集您的需求，然後評估建模選項。它說明了透過 AWS 服務 提供的建模選項，以及如何在選擇建模方法後組織後續基礎設施開發。

下列步驟概述了用於確定建模方法的簡化版本，假設您的目標是將程式碼和複雜性降至最低：

1. 檢查類別是否已包含在 Amazon Rekognition 標籤中。如果是，請針對您的使用案例對此服務進行基準測試。如需詳細資訊，請參閱本指南中的 Amazon Rekognition。

2. 如果預設預先訓練服務不符合您的需求，請探索 Amazon Rekognition 自訂標籤。如需詳細資訊，請參閱本指南中的 Amazon Rekognition 自訂標籤。

3. 如果 Amazon Rekognition 或 Amazon Rekognition 自訂標籤都不適用於您使用案例，請考慮透過 Amazon SageMaker AI Canvas 進行映像分類。如需詳細資訊，請參閱本指南中的 Amazon SageMaker AI Canvas。

4. 如果 SageMaker AI Canvas 未涵蓋您的使用案例，請考慮 SageMaker AI 端點 （以伺服器為基礎或無伺服器）。如需詳細資訊，請參閱本指南中的 Amazon SageMaker AI 端點。

5. 如果這些服務都無法解決您的使用案例，請在 Amazon Elastic Container Service (Amazon ECS) 或 Amazon Elastic Kubernetes Service (Amazon ) 中使用容器化解決方案EKS。如需詳細資訊，請參閱本指南中的自訂訓練任務。

基於解決方案的特定需求，在某些情況下，可以非常快速地略過這些步驟。例如，如果涉及的擴增常式需要超過可透過建立其他影像輕鬆完成的擴增常式，您可以略過步驟 1 和 2。