Memilih domain untuk proyek Custom Vision
Panduan ini memperlihatkan kepada Anda cara memilih domain untuk proyek Anda di Custom Vision Service. Domain digunakan sebagai titik awal untuk proyek Anda.
Masuk ke akun Anda di situs web Custom Vision, lalu pilih proyek Anda. Pilih ikon Pengaturan di kanan atas. Pada halaman Pengaturan Proyek, Anda bisa memilih domain model. Anda harus memilih domain yang paling dekat dengan skenario kasus penggunaan Anda. Jika Anda mengakses Custom Vision melalui pustaka klien atau REST API, Anda perlu menentukan ID domain saat membuat proyek. Anda bisa mendapatkan daftar ID domain dengan menggunakan permintaan Dapatkan Domain . Atau, gunakan tabel berikut.
Domain klasifikasi gambar
| Domain | ID | Tujuan |
|---|---|---|
| Umum | ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
Dioptimalkan untuk berbagai tugas klasifikasi gambar. Jika tidak ada domain tertentu lainnya yang sesuai, atau jika Anda tidak yakin domain mana yang akan dipilih, pilih salah satu domain Umum . |
| Umum [A1] | a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
Dioptimalkan untuk akurasi yang lebih baik dengan waktu inferensi yang sebanding dengan domain Umum . Direkomendasikan untuk himpunan data yang lebih besar atau skenario pengguna yang lebih sulit. Domain ini memerlukan lebih banyak waktu pelatihan. |
| Umum [A2] | 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
Dioptimalkan untuk akurasi yang lebih baik dengan waktu inferensi yang lebih cepat daripada domain Umum [A1] dan Umum . Direkomendasikan untuk sebagian besar himpunan data. Domain ini membutuhkan lebih sedikit waktu pelatihan daripada domain Umum dan Umum [A1 ]. |
| Makanan | c151d5b5-dd07-472a-acc8-15d29dea8518 |
Dioptimalkan untuk foto hidangan seperti yang akan Anda lihat di menu restoran. Jika Anda ingin mengklasifikasikan foto buah atau sayuran individu, gunakan domain Makanan . |
| Landmark | ca455789-012d-4b50-9fec-5bb63841c793 |
Dioptimalkan untuk landmark yang dapat dikenali, baik alami maupun buatan. Domain ini berfungsi paling baik saat landmark terlihat jelas dalam foto. Domain ini berfungsi meskipun landmark sedikit terhalang oleh orang-orang di depannya. |
| Retail | b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
Dioptimalkan untuk gambar yang ditemukan di katalog belanja atau situs web belanja. Jika Anda ingin klasifikasi presisi tinggi antara gaun, celana, dan kemeja, gunakan domain ini. |
| Domain ringkas | Dioptimalkan untuk batasan klasifikasi real time pada perangkat edge. |
Catatan
Domain Umum [A1] dan Umum [A2] dapat digunakan untuk serangkaian skenario yang luas dan dioptimalkan untuk akurasi. Gunakan model Umum [A2] untuk kecepatan inferensi yang lebih baik dan waktu pelatihan yang lebih singkat. Untuk himpunan data yang lebih besar, Anda mungkin ingin menggunakan Umum [A1] untuk merender akurasi yang lebih baik daripada Umum [A2], meskipun membutuhkan lebih banyak waktu pelatihan dan inferensi. Model Umum membutuhkan lebih banyak waktu inferensi daripada Umum [A1] dan Umum [A2].
Domain deteksi objek
| Domain | ID | Tujuan |
|---|---|---|
| Umum | da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
Dioptimalkan untuk berbagai tugas deteksi objek. Jika tidak ada domain lain yang sesuai, atau Anda tidak yakin domain mana yang akan dipilih, pilih domain Umum . |
| Umum [A1] | 9c616dff-2e7d-ea11-af59-1866da359ce6 |
Dioptimalkan untuk akurasi yang lebih baik dengan waktu inferensi yang sebanding dengan domain Umum . Direkomendasikan untuk kebutuhan lokasi wilayah yang lebih akurat, himpunan data yang lebih besar, atau skenario pengguna yang lebih sulit. Domain ini membutuhkan lebih banyak waktu pelatihan, dan hasilnya tidak deterministik: mengharapkan perbedaan +-1% rata-rata Presisi Rata-Rata (mAP) dengan data pelatihan yang sama yang disediakan. |
| Logo | 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
Dioptimalkan untuk menemukan logo merek dalam gambar. |
| Produk di rak | 3780a898-81c3-4516-81ae-3a139614e1f3 |
Dioptimalkan untuk mendeteksi dan mengklasifikasikan produk di rak. |
| Domain ringkas | Dioptimalkan untuk batasan deteksi objek real time pada perangkat edge. |
Domain ringkas
Model yang dihasilkan oleh domain ringkas dapat diekspor untuk berjalan secara lokal. Dalam API pratinjau publik Custom Vision 3.4, Anda bisa mendapatkan daftar platform yang dapat diekspor untuk domain ringkas dengan memanggil GetDomains API.
Semua domain berikut mendukung ekspor dalam format ONNX, TensorFlow, TensorFlowLite, TensorFlow.js, CoreML, dan VAIDK, dengan pengecualian bahwa domain Object Detection General (ringkas) tidak mendukung VAIDK.
Performa model bervariasi menurut domain yang dipilih. Dalam tabel berikut, kami melaporkan ukuran model dan waktu inferensi pada CPU Intel Desktop dan GPU NVIDIA [1]. Angka-angka ini tidak termasuk waktu praproses dan pascaproses.
| Tugas | Domain | ID | Ukuran Model | Waktu inferensi CPU | Waktu inferensi GPU |
|---|---|---|---|---|---|
| Klasifikasi | Umum (ringkas) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 MB | 10 md | 5 mdtk |
| Klasifikasi | Umum (ringkas) [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 MB | 50 md | 5 mdtk |
| Deteksi objek | Umum (ringkas) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 MB | 35 md | 5 mdtk |
| Deteksi objek | Umum (ringkas) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 MB | 27 md | 7 mdtk |
Catatan
Domain Umum (ringkas) untuk deteksi objek memerlukan logika pascaproscesing khusus. Untuk detailnya, silakan lihat contoh skrip dalam paket zip yang diekspor. Jika Anda memerlukan model tanpa logika pascaproses, gunakan Umum (ringkas) [S1].
Penting
Tidak ada jaminan bahwa model yang diekspor memberikan hasil yang sama persis dengan API Prediksi di cloud. Sedikit perbedaan dalam platform yang berjalan atau implementasi praproses dapat menyebabkan perbedaan yang lebih besar dalam output model. Untuk detail tentang logika pra-pemrosesan, lihat Mulai Cepat: Membuat proyek klasifikasi gambar.
[1] CPU Intel Xeon E5-2690 dan NVIDIA Tesla M60
Konten terkait
Ikuti mulai cepat untuk mulai membuat dan melatih proyek Custom Vision.