本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

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

對於可見頻譜中的影像分類，通常會使用傳輸學習建立模型，並從預先訓練的神經網路進行微調。 您可以使用 [Amazon Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) 服務自動化網路選擇和訓練的任務。

Amazon Rekognition  提供一組標準分類標籤。*標籤*是根據其內容在影像或影片中找到的物件或概念 （包括場景和動作）。例如，熱帶海灘上的人物影像可能包含標籤，例如 `Palm Tree`（物件）、 `Beach` （場景）、 `Running` （動作） 和 `Outdoors`（概念）。如需 Amazon Rekognition 支援之標籤的詳細資訊，請參閱服務文件中[的偵測物件和概念](https://docs.aws.amazon.com/rekognition/latest/dg/labels.html)。

對於在 Amazon Rekognition 中需要標準標籤的任務，測試此服務是值得的。如果 Amazon Rekognition 可以滿足您的需求，則會抽象化模型選擇、訓練和維護。它提供預先訓練的推論服務，並 AWS 處理服務的維護。從 Amazon Rekognition 取得預測非常直接。

以下是 Amazon Rekognition 的優點：
+ 立即可用且可擴展
+ 不需要訓練或組態
+ 支援多標籤分類

以下是 Amazon Rekognition 的缺點：
+ 固定的預測類別集
+ 推論單位提供區塊的容量，而最小的單位可能因為少量輸送量而成本高昂

如需詳細資訊，請參閱下列內容：
+ 《[Amazon Rekognition 開發人員指南](https://docs.aws.amazon.com/rekognition/latest/dg/getting-started.html)*》中的 Amazon Rekognition *入門
+ *Amazon Rekognition API 參考*中的 [DetectLabels](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectLabels.html)