Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Membuat dan menggunakan adaptor
Adaptor adalah komponen modular yang dapat ditambahkan ke model pembelajaran mendalam Rekognition yang ada, memperluas kemampuannya untuk tugas-tugas yang dilatihnya. Dengan melatih model pembelajaran mendalam dengan adaptor, Anda dapat mencapai akurasi yang lebih baik untuk tugas analisis gambar yang terkait dengan kasus penggunaan spesifik Anda.
Untuk membuat dan menggunakan adaptor, Anda harus memberikan pelatihan dan pengujian data untuk Rekognition. Anda dapat melakukannya dengan salah satu dari dua cara berbeda:
+ Analisis dan verifikasi massal - Anda dapat membuat kumpulan data pelatihan dengan menganalisis gambar massal yang akan dianalisis dan ditetapkan oleh Rekognition. Anda kemudian dapat meninjau anotasi yang dihasilkan untuk gambar Anda dan memverifikasi atau memperbaiki prediksi. Untuk informasi selengkapnya tentang cara kerja analisis massal gambar, lihat [Analisis massal](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html).
+ Anotasi manual - Dengan pendekatan ini Anda membuat data pelatihan dengan mengunggah dan membuat anotasi gambar. Anda membuat data pengujian dengan mengunggah dan membuat anotasi gambar atau dengan pemisahan otomatis.
Pilih salah satu topik berikut untuk mempelajari lebih lanjut:
**Topics**
+ [
# Analisis dan verifikasi massal
](adapters-bulk-analysis.md)
+ [
# Anotasi manual
](adapters-manual-annotation.md)
# Analisis dan verifikasi massal
Dengan pendekatan ini, Anda mengunggah sejumlah besar gambar yang ingin Anda gunakan sebagai data pelatihan dan kemudian menggunakan Rekognition untuk mendapatkan prediksi untuk gambar-gambar ini, yang secara otomatis memberikan label kepada mereka. Anda dapat menggunakan prediksi ini sebagai titik awal untuk adaptor Anda. Anda dapat memverifikasi keakuratan prediksi, dan kemudian melatih adaptor berdasarkan prediksi yang diverifikasi. Ini bisa dilakukan dengan AWS konsol.
Video berikut menunjukkan bagaimana menggunakan kemampuan Analisis Massal Rekognition untuk mendapatkan dan memverifikasi prediksi untuk sejumlah besar gambar, dan kemudian melatih adaptor dengan prediksi tersebut.
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY)
## Unggah gambar untuk analisis massal
Untuk membuat kumpulan data pelatihan untuk adaptor Anda, unggah gambar secara massal untuk Rekognition untuk memprediksi label. Untuk hasil terbaik, berikan sebanyak mungkin gambar untuk pelatihan hingga batas 10.000, dan pastikan gambar mewakili semua aspek kasus penggunaan Anda.
Saat menggunakan AWS Konsol, Anda dapat mengunggah gambar langsung dari komputer atau menyediakan bucket Amazon Simple Storage Service yang menyimpan gambar Anda. Namun, saat menggunakan APIs Rekognition dengan SDK, Anda harus menyediakan file manifes yang mereferensikan gambar yang disimpan dalam bucket Amazon Simple Storage Service. Lihat [Analisis massal](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html) untuk informasi lebih lanjut.
## Tinjau prediksi
Setelah Anda mengunggah gambar Anda ke konsol Rekognition, Rekognition akan menghasilkan label untuk mereka. Anda kemudian dapat memverifikasi prediksi sebagai salah satu kategori berikut: benar positif, positif palsu, negatif benar, negatif palsu. Setelah Anda memverifikasi prediksi, Anda dapat melatih adaptor pada umpan balik Anda.
## Latih adaptor
Setelah Anda selesai memverifikasi prediksi yang dikembalikan oleh analisis massal, Anda dapat memulai proses pelatihan untuk adaptor Anda.
## Dapatkan AdapterId
Setelah adaptor dilatih, Anda bisa mendapatkan ID unik untuk adaptor Anda untuk digunakan dengan analisis gambar Rekognition. APIs
## Panggil Operasi API
Untuk menerapkan adaptor khusus Anda, berikan ID-nya saat memanggil salah satu analisis gambar APIs yang mendukung adaptor. Ini meningkatkan akurasi prediksi untuk gambar Anda.
# Anotasi manual
Dengan pendekatan ini, Anda membuat data pelatihan dengan mengunggah dan membuat anotasi gambar secara manual. Anda membuat data pengujian dengan mengunggah dan membuat anotasi gambar pengujian atau dengan memisahkan otomatis agar Rekognition secara otomatis menggunakan sebagian data pelatihan Anda sebagai gambar pengujian.
## Mengunggah dan membuat anotasi gambar
Untuk melatih adaptor, Anda harus mengunggah satu set gambar sampel yang mewakili kasus penggunaan Anda. Untuk hasil terbaik, berikan sebanyak mungkin gambar untuk pelatihan hingga batas 10.000, dan pastikan gambar mewakili semua aspek kasus penggunaan Anda.
![\[Antarmuka yang menampilkan opsi untuk mengimpor gambar pelatihan, dengan opsi untuk mengimpor file manifes, mengimpor dari bucket S3, atau mengunggah gambar dari komputer. Termasuk bidang URI S3 dan catatan tentang memastikan read/write izin.\]](http://docs.aws.amazon.com/id_id/rekognition/latest/dg/images/adapters-11-traiing-dataset.png)
Saat menggunakan AWS Konsol, Anda dapat mengunggah gambar langsung dari komputer, menyediakan file manifes, atau menyediakan bucket Amazon S3 yang menyimpan gambar Anda.
Namun, saat menggunakan APIs Rekognition dengan SDK, Anda harus menyediakan file manifes yang mereferensikan gambar yang disimpan dalam bucket Amazon S3.
Anda dapat menggunakan antarmuka anotasi konsol [Rekognition](https://console.aws.amazon.com/rekognition) untuk membuat anotasi gambar Anda. Beri anotasi gambar Anda dengan menandainya dengan label, ini menetapkan “kebenaran dasar” untuk pelatihan. Anda juga harus menetapkan set pelatihan dan pengujian, atau menggunakan fitur auto-split, sebelum Anda dapat melatih adaptor. Setelah selesai menentukan kumpulan data dan membuat anotasi gambar, Anda dapat membuat adaptor berdasarkan gambar beranotasi di set pengujian Anda. Anda kemudian dapat mengevaluasi kinerja adaptor Anda.
## Buat set tes
Anda harus menyediakan set pengujian beranotasi atau menggunakan fitur auto-split. Set pelatihan digunakan untuk benar-benar melatih adaptor. Adaptor mempelajari pola yang terkandung dalam gambar beranotasi ini. Set tes digunakan untuk mengevaluasi kinerja model sebelum menyelesaikan adaptor.
## Latih adaptor
Setelah selesai membuat anotasi data pelatihan, atau telah menyediakan file manifes, Anda dapat memulai proses pelatihan untuk adaptor Anda.
## Dapatkan ID Adaptor
Setelah adaptor dilatih, Anda bisa mendapatkan ID unik untuk adaptor Anda untuk digunakan dengan analisis gambar Rekognition. APIs
## Panggil operasi API
Untuk menerapkan adaptor khusus Anda, berikan ID-nya saat memanggil salah satu analisis gambar APIs yang mendukung adaptor. Ini meningkatkan akurasi prediksi untuk gambar Anda.