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。

# 创建和使用适配器
<a name="creating-and-using-adapters"></a>

适配器是模块化组件，可以添加到现有 Rekognition 深度学习模型中，从而扩展其用于训练任务的功能。通过使用适配器训练深度学习模型，您可以提高与特定用例相关的图像分析任务的准确性。

要创建和使用适配器，您必须向 Rekognition 提供训练和测试数据。您可以通过以下两种方式之一实现这一点：
+ 批量分析和验证 – 您可以通过批量分析 Rekognition 将分析并分配标签的图像来创建训练数据集。然后，您可以查看为图像生成的注释并验证或更正预测。有关图像批量分析工作原理的更多信息，请参阅[批量分析](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html)。
+ 手动注释 – 使用这种方法，您可以通过上传图像并对其进行注释来创建训练数据。您可以通过上传图像并对其进行注释或自动拆分来创建测试数据。

请选择下列主题之一以了解更多信息：

**Topics**
+ [批量分析和验证](adapters-bulk-analysis.md)
+ [手动注释](adapters-manual-annotation.md)

# 批量分析和验证
<a name="adapters-bulk-analysis"></a>

使用这种方法，您可以上传大量要用作训练数据的图像，然后使用 Rekognition 来预测这些图像，从而自动为它们分配标签。您可以使用这些预测开始构建适配器。您可以验证预测的准确性，然后根据经过验证的预测来训练适配器。这可以通过 AWS 控制台来完成。



 以下视频演示了如何使用 Rekognition 的批量分析功能来获取和验证大量图像的预测，然后使用这些预测来训练适配器。

[![AWS Videos](http://img.youtube.com/vi/https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY/0.jpg)](http://www.youtube.com/watch?v=https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY)


## 上传图像以进行批量分析
<a name="adapters-bulk-analysis-upload-images"></a>

要为您的适配器创建训练数据集，请批量上传图像，让 Rekognition 预测其标签。为获得最佳结果，请尽可能多地提供用于训练的图像，上限不超过 10000 张，并确保这些图像能代表您的用例的各个方面。

使用 AWS 控制台时，您可以直接从计算机上传图片，也可以提供用于存储图像的 Amazon 简单存储服务存储桶。但是，将 APIs Rekognition 与软件开发工具包配合使用时，您必须提供一个清单文件，该文件引用存储在亚马逊简单存储服务存储桶中的图像。有关更多信息，请参阅[批量分析](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html)。

## 查看预测
<a name="adapters-bulk-analysis-review-predictions"></a>

将图像上传到 Rekognition 控制台后，Rekognition 将为其生成标签。然后，您可以根据以下几类结果验证预测：真阳性、假阳性、真阴性、假阴性。验证预测后，您可以根据反馈训练适配器。

## 训练适配器
<a name="adapters-bulk-analysis-train-adapter"></a>

验证完批量分析返回的预测后，即可启动适配器的训练过程。

## 去拿吧 AdapterId
<a name="adapters-bulk-analysis-get-adapter"></a>

适配器经过训练后，您可以获得适配器的唯一 ID，用于 Rekognition 的图像分析。 APIs

## 调用 API 操作
<a name="adapters-bulk-analysis-call-operation"></a>

要应用您的自定义适配器，请在调用支持适配器的图像分析 APIs 时提供其 ID。这可以提高图像预测的准确性。

# 手动注释
<a name="adapters-manual-annotation"></a>

使用这种方法，您可以通过手动上传图像并对其进行注释来创建训练数据。您可以通过上传图像并对其进行注释或自动拆分来创建测试数据，从而让 Rekognition 自动使用部分训练数据作为测试图像。

## 上传图像并对其进行注释
<a name="adapters-upload-sample-images"></a>

要训练适配器，您需要上传一组代表您的用例的示例图像。为获得最佳结果，请尽可能多地提供用于训练的图像，上限不超过 10000 张，并确保这些图像能代表您的用例的各个方面。

![\[界面显示了导入训练图像的选项，以及用于导入清单文件、从 S3 存储桶导入或从计算机上传图像的选项。包括 S3 URI 字段和有关确保 read/write 权限的注意事项。\]](http://docs.aws.amazon.com/zh_cn/rekognition/latest/dg/images/adapters-11-traiing-dataset.png)


使用 AWS 控制台时，您可以直接从计算机上传图像、提供清单文件或提供用于存储图像的 Amazon S3 存储桶。

 但是，将 APIs Rekognition 与软件开发工具包配合使用时，必须提供一个引用存储在 Amazon S3 存储桶中的图像的清单文件。

您可以使用 [Rekognition 控制台](https://console.aws.amazon.com/rekognition)的注释界面为图像添加注释。通过用标签标记图像来对其进行注释，这样可以为训练建立一个“真实情况”。在训练适配器之前，您还必须指定训练集和测试集，或者使用自动拆分功能。指定数据集并对图像进行注释后，您可以根据测试集中的带注释的图像创建适配器。然后，您可以评估适配器的性能。

## 创建测试集
<a name="adapters-training-testing"></a>

您需要提供带注释的测试集或使用自动拆分功能。训练集用于实际训练适配器。适配器学习这些带注释的图像中包含的图案。测试集用于在最终确定适配器之前评估模型的性能。

## 训练适配器
<a name="adapters-train-adapter"></a>

 完成对训练数据的注释或提供了清单文件后，即可启动适配器的训练过程。

## 获取适配器 ID
<a name="adapter-get-adapter"></a>

适配器经过训练后，您可以获得适配器的唯一 ID，用于 Rekognition 的图像分析。 APIs

## 调用 API 操作
<a name="adapter-call-operation"></a>

要应用您的自定义适配器，请在调用支持适配器的图像分析 APIs 时提供其 ID。这可以提高图像预测的准确性。