Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Crear y usar adaptadores
Los adaptadores son componentes modulares que se pueden añadir al modelo de aprendizaje profundo de Rekognition existente, lo que amplía sus capacidades para las tareas en las que está entrenado. Al entrenar un modelo de aprendizaje profundo con adaptadores, puede lograr una mayor precisión en las tareas de análisis de imágenes relacionadas con su caso de uso específico.
Para crear y usar un adaptador, debe proporcionar datos de entrenamiento y pruebas a Rekognition. Puede lograr esto usando uno de estos métodos:
+ Análisis y verificación masivos: puede crear un conjunto de datos de entrenamiento analizando en masa las imágenes que Rekognition analizará y a las que asignará etiquetas. A continuación, puede revisar las anotaciones generadas para sus imágenes y verificar o corregir las predicciones. Para obtener más información sobre cómo funciona el análisis masivo de imágenes, consulte [Análisis masivo](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html).
+ Anotación manual: con este enfoque, crea sus datos de entrenamiento cargando y anotando imágenes. Los datos de prueba se crean cargando y anotando imágenes o dividiéndolas automáticamente.
Elija uno de los siguientes temas para obtener más información:
**Topics**
+ [Análisis y verificación masivos](adapters-bulk-analysis.md)
+ [Anotación manual](adapters-manual-annotation.md)
# Análisis y verificación masivos
Con este enfoque, sube una gran cantidad de imágenes que desea usar como datos de entrenamiento y luego usa Rekognition para obtener predicciones para estas imágenes, que les asigna etiquetas automáticamente. Puede utilizar estas predicciones como punto de partida para el adaptador. Puede verificar la precisión de las predicciones y, a continuación, entrenar el adaptador en función de las predicciones verificadas. Esto se puede hacer con la AWS consola.
En el siguiente vídeo se muestra cómo usar la capacidad de Análisis masivo de Rekognition para obtener predicciones de un gran número de imágenes, verificarlas y, después, entrenar un adaptador con esas predicciones.
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY)
## Subida de imágenes para su análisis masivo
Para crear un conjunto de datos de entrenamiento para su adaptador, suba imágenes de forma masiva para que Rekognition pueda predecir las etiquetas. Para obtener los mejores resultados, proporcione tantas imágenes para el entrenamiento como sea posible, hasta el límite de 10 000, y asegúrese de que las imágenes sean representativas de todos los aspectos de su caso de uso.
Al utilizar la AWS consola, puede cargar imágenes directamente desde su ordenador o proporcionar un depósito de Amazon Simple Storage Service que almacene sus imágenes. Sin embargo, cuando utilice APIs Rekognition con un SDK, debe proporcionar un archivo de manifiesto que haga referencia a las imágenes almacenadas en un depósito de Amazon Simple Storage Service. Para obtener más información, consulte [Análisis masivo](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html).
## Revisar predicciones
Una vez que haya cargado sus imágenes a la consola de Rekognition, generará etiquetas para ellas. A continuación, puede verificar las predicciones en una de las siguientes categorías: positivo verdadero, positivo falso, negativo verdadero, negativo falso. Una vez que haya verificado las predicciones, puede entrenar un adaptador a partir de sus comentarios.
## Entrenamiento del adaptador
Una vez que haya terminado de verificar las predicciones obtenidas mediante el análisis masivo, podrá iniciar el proceso de entrenamiento del adaptador.
## Obtenga el AdapterId
Una vez que se haya entrenado el adaptador, podrá obtener el identificador único para usarlo en el análisis de imágenes de Rekognition. APIs
## Llamar a la operación de la API
Para aplicar su adaptador personalizado, proporcione su ID cuando llame a uno de los APIs analizadores de imágenes compatibles con los adaptadores. Esto mejora la precisión de las predicciones de las imágenes.
# Anotación manual
Con este enfoque, puede crear sus datos de entrenamiento cargando y anotando las imágenes manualmente. Los datos de las pruebas se crean cargando y anotando las imágenes de las pruebas o dividiéndolas automáticamente para que Rekognition utilice automáticamente una parte de los datos de entrenamiento como imágenes de prueba.
## Carga y anotación de imágenes
Para entrenar el adaptador, tendrá que subir un conjunto de imágenes de muestra representativas de su caso de uso. Para obtener los mejores resultados, proporcione tantas imágenes para el entrenamiento como sea posible, hasta el límite de 10 000, y asegúrese de que las imágenes sean representativas de todos los aspectos de su caso de uso.
![\[Interfaz que muestra opciones para importar imágenes de entrenamiento, con opciones para importar un archivo de manifiesto, importar desde un bucket de S3 o cargar imágenes desde un equipo. Incluye un campo URI de S3 y una nota sobre cómo garantizar read/write los permisos.\]](http://docs.aws.amazon.com/es_es/rekognition/latest/dg/images/adapters-11-traiing-dataset.png)
Al utilizar la AWS consola, puede cargar imágenes directamente desde su ordenador, proporcionar un archivo de manifiesto o proporcionar un bucket de Amazon S3 que almacene sus imágenes.
Sin embargo, cuando utilice APIs Rekognition con un SDK, debe proporcionar un archivo de manifiesto que haga referencia a las imágenes almacenadas en un bucket de Amazon S3.
Puede usar la interfaz de anotación de la [consola de Rekognition](https://console.aws.amazon.com/rekognition) para anotar sus imágenes. Anote sus imágenes etiquetándolas con etiquetas, así establecerá una «verdad básica» para el entrenamiento. También debe designar conjuntos de entrenamiento y prueba, o usar la característica de división automática, antes de poder entrenar un adaptador. Cuando termine de designar los conjuntos de datos y anotar las imágenes, puede crear un adaptador basado en las imágenes anotadas del conjunto de pruebas. A continuación, puede evaluar el rendimiento del adaptador.
## Creación de conjunto de pruebas
Deberá proporcionar un conjunto de pruebas anotado o utilizar la característica de división automática. El conjunto de entrenamiento se utiliza para entrenar el adaptador. El adaptador aprende los patrones contenidos en estas imágenes anotadas. El conjunto de prueba se utiliza para evaluar el rendimiento del modelo antes de finalizar el adaptador.
## Entrenamiento del adaptador
Una vez que haya terminado de anotar los datos de entrenamiento o haya proporcionado un archivo de manifiesto, puede iniciar el proceso de entrenamiento del adaptador.
## Obtención del ID del adaptador
Una vez que se haya entrenado el adaptador, podrá obtener el identificador único del adaptador para usarlo en el análisis de imágenes de Rekognition. APIs
## Llamar a la operación de la API
Para aplicar su adaptador personalizado, proporcione su ID cuando llame a uno de los APIs analizadores de imágenes compatibles con los adaptadores. Esto mejora la precisión de las predicciones de las imágenes.