تحديد مجال لمشروع رؤية مخصصة
من علامة تبويب الإعدادات الخاصة بمشروعك على مدخل ويب Custom Vision، يمكنك تحديد مجال نموذج لمشروعك. ستحتاج إلى اختيار النطاق الأقرب إلى السيناريو الخاص بك. إذا كنت تقوم بالوصول إلى Custom Vision من خلال مكتبة عميل أو واجهة برمجة تطبيقات REST، فستحتاج إلى تحديد معرف مجال عند إنشاء المشروع. يمكنك الحصول على قائمة بمعرفات النطاقات باستخدام "الحصول على النطاقات"، أو استخدام الجدول أدناه.
تصنيف الصور
| المجال | الغرض |
|---|---|
| عام | تم تحسينه لمدى واسع من مهام تصنيف الصور. إذا لم يكن أي من النطاقات المحددة الأخرى مناسبا، أو إذا لم تكن متأكدا من النطاق الذي تختاره، فحدد أحد النطاقات العامة. معرف: ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| عام [A1] | تم تحسينه للحصول على دقة أفضل مع وقت استدلال قابل للمقارنة كمجال عام. يوصى به لمجموعات البيانات الأكبر أو سيناريوهات المستخدم الأكثر صعوبة. يتطلب هذا المجال المزيد من وقت التدريب. معرف: a8e3c40f-fb4a-466f-832a-5e457ae4a344 |
| عام [A2] | تم تحسينه للحصول على دقة أفضل مع وقت استدلال أسرع من المجالات العامة[A1] والعامة. موصى به لمعظم مجموعات البيانات. يتطلب هذا النطاق وقتا تدريبيا أقل من النطاقات العامة والعامة [A1]. معرف: 2e37d7fb-3a54-486a-b4d6-cfc369af0018 |
| الطعام | مُحسّن لصور الأطباق كما كنت ستراهم في قائمة مطعم. إذا كنت ترغب في تصنيف الصور الفوتوغرافية للفواكه أو الخضروات الفردية، فاستخدم نطاق الطعام. معرف: c151d5b5-dd07-472a-acc8-15d29dea8518 |
| المعالم | تم تحسينه للمعالم المميزة الطبيعية والاصطناعية على حد سواء. يعمل هذا المجال بشكل أفضل عندما يكون المعلم مرئيًا بوضوح في الصورة. يعمل هذا المجال حتى لو تم إعاقة المعلم قليلاً من قبل الأشخاص أمامه. معرف: ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | تم تحسينه للصور الموجودة في كتالوج التسوق أو موقع التسوق. إذا كنت تريد تصنيفا عالي الدقة بين الفساتين والسراويل والقمصان ، فاستخدم هذا المجال. معرف: b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| مجالات مضغوطة | محسن لقيود التصنيف في الوقت الفعلي على الأجهزة الطرفية. |
ملاحظة
يمكن استخدام النطاقين General[A1] وGeneral[A2] لمجموعة واسعة من السيناريوهات ويتم تحسينهما لتحقيق الدقة. استخدم النموذج General[A2] للحصول على سرعة استدلال أفضل ووقت تدريب أقصر. بالنسبة لمجموعات البيانات الأكبر حجما، قد ترغب في استخدام General[A1] لتقديم دقة أفضل من General[A2]، على الرغم من أنها تتطلب المزيد من التدريب ووقت الاستدلال. يتطلب النموذج العام وقتا أطول للاستدلال من كل من General[A1] و General[A2].
الكشف عن العنصر
| المجال | الغرض |
|---|---|
| عام | مُحسَّن لمجموعة واسعة من مهام اكتشاف الكائنات. إذا لم يكن أي من النطاقات الأخرى مناسبا، أو إذا لم تكن متأكدا من النطاق الذي تريد اختياره، فحدد المجال العام. معرف: da2e3a8a-40a5-4171-82f4-58522f70fbc1 |
| عام [A1] | تم تحسينه للحصول على دقة أفضل مع وقت استدلال قابل للمقارنة كمجال عام. يوصى به لتلبية احتياجات موقع المنطقة الأكثر دقة، أو مجموعات البيانات الأكبر، أو سيناريوهات المستخدم الأكثر صعوبة. يتطلب هذا المجال المزيد من وقت التدريب ، والنتائج ليست حتمية: توقع فرقا متوسطا متوسطا للدقة (mAP) بنسبة +-1٪ مع نفس بيانات التدريب المقدمة. معرف: 9c616dff-2e7d-ea11-af59-1866da359ce6 |
| الشعار | الأمثل للعثور على شعارات العلامات التجارية في الصور. معرف: 1d8ffafe-ec40-4fb2-8f90-72b3b6cecea4 |
| المنتجات على الرفوف | مُحسَّن لاكتشاف وتصنيف المنتجات على الرفوف. معرف: 3780a898-81c3-4516-81ae-3a139614e1f3 |
| مجالات مضغوطة | محسن لقيود اكتشاف الكائنات في الوقت الفعلي على الأجهزة الطرفية. |
مجالات مضغوطة
يمكن تصدير النماذج التي تم إنشاؤها بواسطة المجالات المضغوطة لتشغيلها محليًا. في واجهة برمجة تطبيقات المعاينة العامة Custom Vision 3.4، يمكنك الحصول على قائمة بالأنظمة الأساسية القابلة للتصدير للنطاقات المدمجة عن طريق استدعاء واجهة برمجة تطبيقات GetDomains.
تدعم كافة المجالات التالية التصدير بتنسيقات ONNX وTensorFlow وTensorFlowLite TensorFlow.js وCoreML وVAIDK، باستثناء أن المجال العام للكشف عن الكائنات (المدمج) لا يدعم VAIDK.
يختلف أداء النموذج حسب المجال المحدد. في الجدول أدناه، نقوم بالإبلاغ عن حجم الطراز ووقت الاستدلال على وحدة المعالجة المركزية لسطح المكتب من Intel ووحدة معالجة الرسومات NVidia [1]. لا تتضمن هذه الأرقام وقت المعالجة المسبقة وما بعد المعالجة.
| المهمة | المجال | المعرف | حجم الموديل | وقت استدلال وحدة المعالجة المركزية | وقت استدلال وحدة معالجة الرسومات |
|---|---|---|---|---|---|
| التصنيف | عام (ضغط) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
6 ميغابايت | < 10 مللي ثانية | 5 مللي ثانية |
| التصنيف | عام (مدمج) [S1] | a1db07ca-a19a-4830-bae8-e004a42dc863 |
43 ميغابايت | 50 مللي ثانية | 5 مللي ثانية |
| الكشف عن العنصر | عام (ضغط) | a27d5ca5-bb19-49d8-a70a-fec086c47f5b |
45 ميغابايت | 35 مللي ثانية | 5 مللي ثانية |
| الكشف عن العنصر | عام (مدمج) [S1] | 7ec2ac80-887b-48a6-8df9-8b1357765430 |
14 ميغابايت | 27 مللي ثانية | 7 ملّي ثانية |
ملاحظة
يتطلب المجال العام (المدمج) للكشف عن الكائنات منطقا خاصا لما بعد المعالجة. للحصول على التفاصيل، يرجى الاطلاع على مثال على البرنامج النصي في حزمة الرمز البريدي المصدرة. إذا كنت بحاجة إلى نموذج بدون منطق ما بعد المعالجة، فاستخدم General (compact) [S1].
هام
ليس هناك ما يضمن أن النماذج المصدرة تعطي نفس النتيجة تماما مثل واجهة برمجة تطبيقات التنبؤ على السحابة. يمكن أن يؤدي الاختلاف الطفيف في النظام الأساسي قيد التشغيل أو تنفيذ المعالجة المسبقة إلى اختلاف أكبر في مخرجات النموذج. للحصول على تفاصيل منطق المعالجة المسبقة، يرجى الاطلاع على هذا المستند.
[1] وحدة المعالجة المركزية Intel Xeon E5-2690 و NVIDIA Tesla M60