本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# Amazon Rekognition
<a name="rekognition"></a>

对于可见光谱中的图像分类，通常使用迁移学习和通过预训练的神经网络进行微调来创建模型。 您可以使用 [Amazon Rek](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) ognition 服务自动完成网络选择和训练任务。

亚马逊 Rekognition 提供了一组标准的分类标签。 *标签*是基于图像或视频内容在图像或视频中找到的对象或概念（包括场景和动作）。例如，热带海滩上的人物图像可能包含诸如`Palm Tree`（对象）、（场景）、`Beach`（动作）和 `Running``Outdoors`（概念）之类的标签。有关 Amazon Rekognition 支持的标签的更多信息[，请参阅服务文档中的检测对象](https://docs.aws.amazon.com/rekognition/latest/dg/labels.html)和概念。

对于需要在 Amazon Rekognition 中使用标准标签的任务，测试这项服务是值得的。如果 Amazon Rekognition 能够满足您的要求，那么模型选择、培训和维护就会被抽象化。它为推理提供预训练服务，并 AWS 负责服务的维护。从亚马逊 Rekognition 获取预测非常简单。

以下是亚马逊 Rekognition 的优势：
+ 立即可用且可扩展
+ 无需培训或配置
+ 支持多标签分类

以下是亚马逊 Rekognition 的缺点：
+ 固定一组预测的类别
+ 推理单元提供大量容量，而对于较小的吞吐量来说，最小的单元可能会很昂贵

有关更多信息，请参阅下列内容：
+ [亚马逊 Rekognition 开发者指南中的亚马逊 Rekognition *入*门](https://docs.aws.amazon.com/rekognition/latest/dg/getting-started.html)
+ [DetectLabels](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectLabels.html)在*亚马逊 Rekognition API 参考*中