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 Custom Labels 入门
在开始阅读这些*入门*说明之前，建议您先阅读[了解 Amazon Rekognition Custom Labels](understanding-custom-labels.md)。
您可以使用 Amazon Rekognition Custom Labels 来训练机器学习模型。经过训练的模型可用于分析图像，以查找符合您业务需求的独特物体、场景和概念。例如，您可以训练模型以对房屋图像进行分类，或者在印刷电路板上查找电子零件的位置。
为帮助您入门，Amazon Rekognition Custom Labels 提供了教程视频和示例项目。
**注意**
有关 Amazon Rekognition 自定义标签支持的 AWS 区域和终端节点的信息，[请参阅](https://docs.aws.amazon.com/general/latest/gr/rekognition.html) Rekognition 终端节点和配额。
## 教程视频
这些视频向您展示了如何使用 Amazon Rekognition Custom Labels 来训练和使用模型。
**观看教程视频**
1. 登录 AWS 管理控制台 并打开亚马逊 Rekognition 控制台，网址为。[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/)
1. 在左侧窗格中，选择**使用自定义标签**。随后将显示 Amazon Rekognition Custom Labels 登录页面。如果没有看到**使用自定义标签**，请检查您使用的 [AWS 区域](https://docs.aws.amazon.com/general/latest/gr/rekognition_region.html)是否支持 Amazon Rekognition Custom Labels。
1. 从导航窗格中，选择**开始**。
1. 在**什么是 Amazon Rekognition Custom Labels？**中，选择观看概述视频。
1. 在导航窗格中，选择**教程**。
1. 在**教程**页面上，选择要观看的教程视频。
## 示例项目
Amazon Rekognition Custom Labels 提供了以下示例项目。
### 图像分类
该图像分类项目 (Rooms) 会训练一种模型，用于在图像中查找一个或多个家庭位置，例如 *backyard*、*kitchen* 和 *patio*。训练和测试图像代表单个位置。每张图像都带有单个图像级标签，例如 *kitchen*、*patio* 或 *living\$1space*。分析图像后，经过训练的模型会返回用于训练的图像级标签集中的一个或多个匹配标签。例如，模型可能会在下图中找到标签 *living\$1space*。有关更多信息，请参阅 [查找物体、场景和概念](md-dataset-purpose.md#md-dataset-purpose-classification)。
![\[客厅里有壁炉、豪华沙发、扶手椅、圆桌、盆栽，并装有可俯瞰户外的大窗户。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/image-classification.jpg)
### 多标签图像分类
多标签图像分类项目 (Flowers) 训练了一个模型，用于将花朵图像分类为三个概念（花朵类型、树叶存在和生长阶段）。
训练和测试图像对每个概念都有相应的图像级标签，例如 *camellia* 代表花朵类型、*with\$1leaves* 代表有叶子的花，*fully\$1grown* 代表完全生长的花。
分析图像后，经过训练的模型会返回用于训练的图像级标签集中的匹配标签。例如，对于下图，该模型返回了标签 *mediterranean\$1spurge* 和 *with\$1leaves*。有关更多信息，请参阅 [查找物体、场景和概念](md-dataset-purpose.md#md-dataset-purpose-classification)。
![\[一朵鲜艳绿花的特写镜头，花瓣紧密地排列成球形。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/multi-label-classification.jpg)
### 品牌检测
品牌检测项目（Logos）训练了一个模型，该模型可以找到某些 AWS 徽标的位置，例如A *mazon Textr* act和AW *S* lambda。训练图像仅包含徽标，并且具有单个图像级标签，例如 *lambda* 或 *textract*。也可以使用带有品牌位置边界框的训练图像来训练品牌检测模型。测试图像上标有代表徽标在自然位置（例如架构图）中的位置的边界框。经过训练的模型会查找徽标，并为找到的每个徽标返回一个带标签的边界框。有关更多信息，请参阅 [查找品牌位置](md-dataset-purpose.md#md-dataset-purpose-brands)。
![\[将用户活动输入 Amazon Pinpoint 以获取建议的 Lambda 服务。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/brand-detection-lambda.png)
### 物体定位
物体定位项目 (Circuit boards) 训练了一个模型，用于查找印刷电路板上各个零件（例如*比较器*或*红外线 LED*）的位置。训练和测试图像包含围绕电路板零件的边界框以及用于标识边界盒内零件的标签。在下面的示例图像中，标签名称为 *ir\$1phototransistor*、*ir\$1led*、*pot\$1resistor* 和 *comparator*。经过训练的模型会查找电路板零件，并为找到的每个电路零件返回一个带标签的边界框。有关更多信息，请参阅 [查找物体位置](md-dataset-purpose.md#md-dataset-purpose-localization)。
![\[元件图像显示电路板上的红外 LED、电位器和比较器芯片。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/localization-circuit-board.png)
## 使用示例项目
这些入门说明介绍了如何使用 Amazon Rekognition Custom Labels 为您创建的示例项目来训练模型。还说明了如何启动模型并用它来分析图像。
### 创建示例项目
首先，请决定要使用哪个项目。有关更多信息，请参阅 [步骤 1：选择一个示例项目](gs-step-choose-example-project.md)。
Amazon Rekognition Custom Labels 使用数据集来训练和评估（测试）模型。数据集用于管理图像和标识图像内容的标签。示例项目包含一个训练数据集和一个测试数据集，其中所有图像均带有标签。在训练模型之前，您不需要进行任何更改。示例项目说明了 Amazon Rekognition Custom Labels 使用标签训练不同类型模型的两种方式。
+ *图像级*：标签标识代表整个图像的物体、场景或概念。
+ *边界框*：标签标识边界框的内容。边界框是一组围绕图像中物体的图像坐标。
稍后，当您使用自己的图像创建项目时，必须创建训练和测试数据集，并对图像进行标注。有关更多信息，请参阅 [确定您的模型类型](understanding-custom-labels.md#tm-intro-model-type)。
### 训练模型
Amazon Rekognition Custom Labels 创建示例项目后，您即可训练模型。有关更多信息，请参阅 [步骤 2：训练模型](gs-step-train-model.md)。训练结束后，您通常会评估模型的性能。示例数据集中的图像已经创建了一个高性能模型，您无需在运行模型之前对模型进行评估。有关更多信息，请参阅 [改进经过训练的 Amazon Rekognition Custom Labels 模型](improving-model.md)。
### 使用模型
接下来，您需要启动模型。有关更多信息，请参阅 [步骤 3：启动模型](gs-step-start-model.md)。
开始运行模型后，您可以用它来分析新图像。有关更多信息，请参阅 [步骤 4：使用模型分析图像](gs-step-get-a-prediction.md)。
您将根据模型运行时间付费。使用完示例模型后，应停止模型。有关更多信息，请参阅 [步骤 5：停止模型](gs-step-stop-model.md)。
### 后续步骤
准备就绪后，您可以创建自己的项目。有关更多信息，请参阅 [步骤 6：后续步骤](gs-step-next.md)。
# 步骤 1：选择一个示例项目
在此步骤中，您将选择一个示例项目。然后，Amazon Rekognition Custom Labels 会为您创建一个项目和一个数据集。项目用于管理用于训练模型的文件。有关更多信息，请参阅 [管理 Amazon Rekognition Custom Labels 项目](managing-project.md)。数据集包含用于训练和测试模型的图像、分配的标签和边界框。有关更多信息，请参阅 [管理数据集](managing-dataset.md)。
有关示例项目的更多信息，请参阅[示例项目](getting-started.md#gs-example-projects)。
**选择一个示例项目**
1. 登录 AWS 管理控制台 并打开亚马逊 Rekognition 控制台，网址为。[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/)
1. 在左侧窗格中，选择**使用自定义标签**。随后将显示 Amazon Rekognition Custom Labels 登录页面。如果没有看到**使用自定义标签**，请检查您使用的 [AWS 区域](https://docs.aws.amazon.com/general/latest/gr/rekognition_region.html)是否支持 Amazon Rekognition Custom Labels。
1. 选择**开始**。
Amazon Rekognition Custom Labels 部分显示“入门”、“教程”（突出显示了“示例项目”）、“项目”和“数据集”。
![\[Amazon Rekognition Custom Labels 部分显示“入门”、“教程”（突出显示了“示例项目”）、“项目”和“数据集”。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/example-projects.png)
1. 在**浏览示例项目**中，选择**尝试示例项目**。
1. 确定要使用哪个项目，然后在示例部分中选择 ***project name*“创建项目**”。然后，Amazon Rekognition Custom Labels 便会为您创建示例项目。
**注意**
如果这是您首次在当前 AWS 区域打开控制台，则会显示 “**首次设置**” 对话框。执行以下操作：
记下所显示的 Amazon S3 存储桶的名称。
选择**继续**，让 Amazon Rekognition Custom Labels 为您创建一个 Amazon S3 存储桶（控制台存储桶）。下面的控制台图像显示了一些示例，图像分类（房间）、多标签分类（花朵）、品牌检测（徽标）和物体定位（电路板）均有“创建项目”按钮。
![\[Amazon Rekognition 服务示例，图像分类（房间）、多标签分类（花朵）、品牌检测（徽标）和物体定位（电路板）均有“创建项目”按钮。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started.jpg)
1. 项目准备就绪后，选择**转到数据集**。下图显示了项目准备就绪时项目面板的外观。
![\[项目房间状态面板，带有用于在模型训练完成后访问数据的“转到数据集”按钮。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-goto-dataset-dialog.jpg)
# 步骤 2：训练模型
在此步骤中，您将训练您的模型。系统会自动为您配置训练和测试数据集。训练成功完成后，您可以看到整体的评估结果，以及单个测试图像的评估结果。有关更多信息，请参阅 [训练 Amazon Rekognition Custom Labels 模型](training-model.md)。
**训练您的模型**
1. 在数据集页面上，选择**训练模型**。下图显示了带有“训练模型”按钮的控制台。
![\[房间数据集的控制台界面，单击其中的“训练模型”按钮可开始训练模型。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-train-model.jpg)
1. 在**训练模型**页面上，选择**训练模型**。下图显示了**训练模型**按钮，请注意，项目的 Amazon 资源名称（ARN）位于**选择项目**编辑框中。
![\[带有“项目 ARN”输入字段和“训练模型”按钮的训练模型页面。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/tutorial-train-model-page-train-model.jpg)
1. 在**是否要训练您的模型？**对话框（如下图所示）中，选择**训练模型**。
![\[带有“取消”和“训练模型”按钮的对话框，可启动模型训练。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/tutorial-dialog-train-model.jpg)
1. 训练完成后，选择模型名称。当模型状态为 **TRAINING\$1COMPLETED** 时，表示训练完成，如以下控制台屏幕截图所示。
![\[模型训练界面显示名为“rooms_19.2021-07-13T10:36:30”的模型的已完成状态，性能分数为 0.902，状态为“TRAINING_COMPLETED”。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-choose-model.jpg)
1. 选择**评估**按钮，以查看评估结果。有关评估模型的信息，请参阅[改进经过训练的 Amazon Rekognition Custom Labels 模型](improving-model.md)。
1. 选择**查看测试结果**，以查看单个测试图像的结果。如以下屏幕截图所示，评测控制面板显示每个标签的 F1 分数、精度和召回率等指标以及测试图像的数量。还会显示平均值、精度和召回率等总体指标。
![\[模型评测结果显示 10 个标签的性能指标。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-training-results.jpg)
1. 查看测试结果后，选择模型名称返回模型页面。以下是性能控制面板的屏幕截图，您可以单击该控制面板返回到模型页面。
![\[两张测试结果示例图像，其中包含预测的标签和置信度分数，以及可返回到模型页面的面包屑链接。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-image-test-results.jpg)
# 步骤 3：启动模型
在此步骤中，您将启动您的模型。模型启动后，您可以用它来分析图像。
您将根据模型运行时间付费。如果您不需要分析图像，请停止模型。您可以稍后重新启动模型。有关更多信息，请参阅 [运行经过训练的 Amazon Rekognition Custom Labels 模型](running-model.md)。
**启动模型**
1. 在模型页面上选择**使用模型**选项卡。
1. 在**启动或停止模型**部分中，执行以下操作：
1. 选择**启动**。
1. 在**启动模型**对话框中，选择**启动**。下图显示模型控制面板中的“启动”按钮。
![\[启动模型控制面板带有“启动”按钮，并提供用于选择一个推理单位的选项。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-start-model.jpg)
1. 等到模型开始运行。以下屏幕截图显示模型正在运行时的控制台，其中**启动或停止模型**部分中的状态为**正在运行**。
![\[模型状态显示为“正在运行”，单击“停止”按钮可停止正在运行的模型。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-start-model-running.jpg)
1. 使用模型对图像进行分类。有关更多信息，请参阅 [步骤 4：使用模型分析图像](gs-step-get-a-prediction.md)。
# 步骤 4：使用模型分析图像
您可以通过调用 [DetectCustomLabels](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectCustomLabels)API 来分析图像。在此步骤中，您将使用 `detect-custom-labels` AWS Command Line Interface (AWS CLI) 命令分析示例图像。你可以从 Amazon Rekognition 自定义标签控制台获得 AWS CLI 命令。控制台将 AWS CLI 命令配置为使用您的模型。您只需要提供存储在 Amazon S3 存储桶中的图像即可。本主题提供了可用于每个示例项目的图像。
**注意**
控制台还提供了调用 Python 示例代码。
`detect-custom-labels` 的输出包括在图像中找到的标签列表、边界框（如果模型会查找物体位置）以及模型对预测准确性的置信度。
有关更多信息，请参阅 [使用经过训练的模型分析图像](detecting-custom-labels.md)。
**分析图像（控制台）**
1. 模型状态显示为“正在运行”，单击“停止”按钮可停止正在运行的模型。
如果您还没有，请设置 AWS CLI. 有关说明，请参阅[步骤 4：设置 AWS CLI 和 AWS SDKs](su-awscli-sdk.md)。
1. 开始运行您的模型（如果尚未如此）。有关更多信息，请参阅 [步骤 3：启动模型](gs-step-start-model.md)。
1. 选择**使用模型**选项卡，然后选择 **API 代码**。下图所示的模型状态面板显示模型“正在运行”，带有“停止”按钮用于停止正在运行的模型，并提供用于显示 API 的选项。
![\[模型状态显示为“正在运行”，单击“停止”按钮可停止正在运行的模型。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-use-model-api-code.png)
1. 选择 **AWS CLI 命令**。
1. 在**分析图像部分中**，复制调用的 AWS CLI 命令`detect-custom-labels`。下面的 Rekognition 控制台图像显示“分析图像”部分，其中包含 AWS CLI 命令（可使用机器学习模型检测图像上的自定义标签），以及用于启动模型和提供图像详细信息的指令。
![\[控制台屏幕截图，其中包含用于使用机器学习模型检测图像上自定义标签的 AWS CLI 命令，以及启动模型和提供图像详细信息的说明。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-cli-code-analyze.png)
1. 将示例图像上传到 Amazon S3 存储桶。有关说明，请参阅[获取示例图像](#gs-example-images)。
1. 在命令提示符处，输入您在上一步中复制的 AWS CLI 命令。它应该类似于以下示例。
`--project-version-arn` 的值应为模型的 Amazon 资源名称 (ARN)。`--region` 的值应为您在其中创建模型的 AWS 区域。
将 `MY_BUCKET` 和 `PATH_TO_MY_IMAGE` 更改为您在上一步中使用的 Amazon S3 存储桶和图像。
如果您使用 [custom-labels-access](su-sdk-programmatic-access.md#su-sdk-programmatic-access-customlabels-examples) 配置文件来获取凭证，请添加 `--profile custom-labels-access` 参数。
```
aws rekognition detect-custom-labels \
--project-version-arn "model_arn" \
--image '{"S3Object": {"Bucket": "MY_BUCKET","Name": "PATH_TO_MY_IMAGE"}}' \
--region us-east-1 \
--profile custom-labels-access
```
如果模型查找物体、场景和概念，则 AWS CLI 命令的 JSON 输出应类似于以下内容。`Name` 是模型找到的图像级标签的名称。`Confidence` (0-100) 是模型对预测准确性的置信度。
```
{
"CustomLabels": [
{
"Name": "living_space",
"Confidence": 83.41299819946289
}
]
}
```
如果模型查找物体位置或品牌，则会返回带标签的边界框。`BoundingBox` 包含围绕物体的方框的位置。`Name` 是模型在边界框中找到的物体。`Confidence` 是模型对边界框所包含物体的置信度。
```
{
"CustomLabels": [
{
"Name": "textract",
"Confidence": 87.7729721069336,
"Geometry": {
"BoundingBox": {
"Width": 0.198987677693367,
"Height": 0.31296101212501526,
"Left": 0.07924537360668182,
"Top": 0.4037395715713501
}
}
}
]
}
```
1. 继续使用该模型分析其他图像。如果不再使用该模型，请停止模型。有关更多信息，请参阅 [步骤 5：停止模型](gs-step-stop-model.md)。
## 获取示例图像
您可以将下列图像与 `DetectCustomLabels` 操作结合使用。每个项目都有一个图像。要使用这些图像，您需要将它们上传到 S3 存储桶。
**使用示例图像**
1. 右键单击下面与您正在使用的示例项目匹配的图像。然后选择**保存图像**，将图像保存到您的计算机。菜单选项可能会有所不同，具体取决于您使用的浏览器。
1. 将图片上传到您的 AWS 账户拥有的 Amazon S3 存储桶，该存储桶位于您使用亚马逊 Rekognition 自定义标签的同一 AWS 区域。
有关说明，请参阅《Amazon Simple Storage Service 用户指南》中的[将对象上传到 Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UploadingObjectsintoAmazonS3.html)。**
### 图像分类
![\[客厅有壁炉、沙发、扶手椅、茶几、灯具，还装有大窗户。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/image-classification.jpg)
### 多标签分类
![\[球形绿色花头，由密叠的花瓣或苞片组成，形成球状。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/multi-label-classification.jpg)
### 品牌检测
![\[图中显示用户活动数据从 Lambda 流向 Amazon Personalize 以获取推荐，以及流向 Amazon Pinpoint 以获取推荐。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/brand-detection.png)
### 物体定位
![\[带有各种电子元件和连接器引脚的小型电路。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/object-localization.jpg)
# 步骤 5：停止模型
在此步骤中，您将停止运行您的模型。您需要按照模型运行的时间付费。如果您已使用完模型，应将其停止。
**停止模型**
1. 在**启动或停止模型**部分中，选择**停止**。
![\[控制台屏幕截图，包括“停止”按钮，用于停止正在运行的自定义标签检测模型。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-stop-model.jpg)
1. 在**停止模型**对话框中，输入 **stop** 以确认要停止模型。
![\[“停止模型”对话框有一个文本字段，可输入“stop”并确认停止模型。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-stop-model-dialog.jpg)
1. 选择**停止**以停止模型。当**启动或停止模型**部分中的状态为**已停止**时，即表示模型已停止。在以下屏幕截图中，“用户界面”部分提供启动或停止机器学习模型的选项。模型的状态显示为“已停止”，带有一个用于启动模型的“启动”按钮和一个用于选择推理单位数量的下拉列表。
![\[用户界面部分用于启动或停止机器学习模型，将模型的状态显示为“已停止”，带有一个用于启动模型的“启动”按钮和一个用于选择推理单位数量的下拉列表。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/customlabels-dg/images/get-started-stopped-model.jpg)
# 步骤 6：后续步骤
完成示例项目的试用后，您可以使用自己的图像和数据集来创建自己的模型。有关更多信息，请参阅 [了解 Amazon Rekognition Custom Labels](understanding-custom-labels.md)。
使用下表中的标注信息来训练与示例项目相似的模型。
| 示例 | 训练图像 | 测试图像 |
| --- | --- | --- |
| 图像分类 (Rooms) | 每张图像 1 个图像级标签 | 每张图像 1 个图像级标签 |
| 多标签分类 (Flowers) | 每张图像多个图像级标签 | 每张图像多个图像级标签 |
| 品牌检测 (Logos) | 图像级标签（也可以使用带标签的边界框） | 带标签的边界框 |
| 图像定位 (Circuit boards) | 带标签的边界框 | 带标签的边界框 |
[图像分类](tutorial-classification.md)说明了如何为图像分类模型创建项目、数据集和模型。
有关创建数据集和训练模型的详细信息，请参阅[创建 Amazon Rekognition Custom Labels 模型](creating-model.md)。