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 自訂標籤入門
在開始這些*入門*指示之前，我們建議您閱讀 [了解 Amazon Rekognition 自訂標籤](understanding-custom-labels.md)。
您可以使用 Amazon Rekognition 自訂標籤來訓練機器學習模型。訓練過的模型會分析影像，尋找符合您業務需求的物件、場景和概念。例如，您可以訓練模型來分類房屋影像，或在印刷電路板上尋找電子零件的位置。
為了協助您開始使用，Amazon Rekognition 自訂標籤會包括教學課程影片和範例專案。
**注意**
如需有關 Amazon Rekognition 自訂標籤支援 AWS 的區域和端點的資訊，請參閱 [Rekognition 端點和配額](https://docs.aws.amazon.com/general/latest/gr/rekognition.html)。
## 教學課程影片
這些影片向您顯示如何使用 Amazon Rekognition 自訂標籤來訓練和使用模型。
**檢視教學課程影片**
1. 登入 AWS 管理主控台 ，並在 https：//[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/) 開啟 Amazon Rekognition 主控台。
1. 在左側視窗中，選擇 **使用自訂標籤**。畫面將會顯示 Amazon Rekognition 自訂標籤的登入頁面。如果沒有看到**使用自訂標籤**，請檢查您所使用的[AWS 區域](https://docs.aws.amazon.com/general/latest/gr/rekognition_region.html)是否支援 Amazon Rekognition 自訂標籤。
1. 從導覽窗格選擇**開始使用**。
1. 在**什麼是 Amazon Rekognition 自訂標籤？**中，選擇影片，以觀看概觀影片。
1. 在導覽窗格中，選擇**教學課程**。
1. 在**教學課程**頁面上，選擇您要觀看的教學課程影片。
## 範例專案
Amazon Rekognition 自訂標籤提供下列範例專案。
### Image classification
影像分類專案 (Rooms) 會訓練模型，使模型可在影像中尋找一個或多個家庭位置，例如*後院*、*廚房*和*庭院*。訓練和測試影像代表單一位置。每個影像都會以單一影像層級標籤標記，例如*廚房*、*庭院*或 *living\$1space*。針對分析的影像，訓練過的模型會從用於訓練的影像層級標籤集傳回一個或多個相符的標籤。例如，模型可能會在下列影像中尋找標籤 *living\$1space*。如需詳細資訊，請參閱[尋找物件、場景和概念](md-dataset-purpose.md#md-dataset-purpose-classification)。
![\[附火場、豪華沙發、椅子、圓桌、植物和大型窗戶的客廳，可將戶外景色盡收眼底。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/image-classification.jpg)
### 多標籤影像分類
多標籤影像分類專案 (Flowers) 會訓練模型，將花卉的影像分類為三個概念 (花卉類型、有葉狀態和生長階段)。
訓練和測試影像具有適用於每個概念的影像層級標籤，例如適用於花卉類型的*山茶花*、適用於帶葉花卉的 *with\$1leaves*，以及適用於成熟花卉的 *fully\$1growth*。
針對分析的影像，訓練過的模型會從用於訓練的影像層級標籤集傳回一個或多個相符的標籤。例如，模型會針對下列影像傳回標籤 *mediterranean\$1spurge* 和 *with\$1leaves*。如需詳細資訊，請參閱[尋找物件、場景和概念](md-dataset-purpose.md#md-dataset-purpose-classification)。
![\[生動的綠色花朵特寫，其中緊密包裝的花邊形成球形。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/multi-label-classification.jpg)
### 品牌偵測
品牌偵測專案 (Logos) 會訓練模型，該模型會尋找特定 AWS 標誌的位置，例如 *Amazon Textract* 和 *AWS lambda*。訓練影像僅屬於標誌，並具有單一影像層級標籤，例如 *lambda* 或 *textract*。它也可能使用具有品牌位置週框方塊的訓練影像來訓練品牌偵測模型。測試影像已標記週框方塊，代表標誌在自然位置 (例如架構圖) 的位置。訓練過的模型會尋找標誌，並針對找到的每個標誌傳回標記的週框方塊。如需詳細資訊，請參閱[尋找品牌位置](md-dataset-purpose.md#md-dataset-purpose-brands)。
![\[Lambda 服務將使用者活動饋送至 Amazon Pinpoint 以取得建議。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/brand-detection-lambda.png)
### 物件本地化
物件本地化專案 (Circuit boards) 會訓練模型，該模型可在印刷電路板上尋找零件的位置，例如*比較器*或*紅外線發光二極體*。訓練和測試影像包括圍繞電路板零件的週框方塊，以及用於識別週框方塊內零件的標籤。在下列範例影像中，標籤名稱為 *ir\$1phototransistor*、*ir\$1led*、*pot\$1resistor* 和 *comparator*。訓練過的模型會尋找電路板零件，並針對找到的每個電路零件傳回標記的邊框。如需詳細資訊，請參閱[尋找物件位置](md-dataset-purpose.md#md-dataset-purpose-localization)。
![\[元件影像顯示電路板上的 IR LED、鍋電阻和比較器晶片。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/localization-circuit-board.png)
## 使用範例專案
這些「入門」指示會說明如何使用 Amazon Rekognition 自訂標籤為您建立的範例專案來訓練模型。它還會向您顯示如何啟動模型並將其用於分析影像。
### 建立範例專案
若要開始使用，請決定要使用哪個專案。如需詳細資訊，請參閱[步驟 1：選擇範例專案](gs-step-choose-example-project.md)。
Amazon Rekognition 自訂標籤使用資料集來訓練和評估 (測試) 模型。資料集會管理影像和識別影像內容的標籤。範例專案包括訓練資料集，以及標記所有影像的測試資料集。您在訓練模型之前不需要進行任何變更。範例專案會顯示 Amazon Rekognition 自訂標籤使用標籤訓練不同類型模型的兩種方式。
+ *影像層級* — 標籤可識別代表整個影像的物件、場景或概念。
+ *週框方塊* — 標籤可識別週框方塊的內容。週框方塊是一組圍繞影像中物件的影像座標。
稍後，當您使用自己的影像建立專案時，您必須建立訓練和測試資料集，也必須標記您的影像。如需詳細資訊，請參閱[決定模型類型](understanding-custom-labels.md#tm-intro-model-type)。
### 訓練模型
在 Amazon Rekognition 自訂標籤建立範例專案之後，您可以訓練模型。如需詳細資訊，請參閱[步驟 2：培訓您的模型](gs-step-train-model.md)。訓練結束後，您通常會評估模型的效能。範例資料集中的影像已建立高效能模型，因此您無需在執行模型之前評估模型。如需詳細資訊，請參閱[改善訓練過的 Amazon Rekognition 自訂標籤模型](improving-model.md)。
### 使用模型
接下來，啟動模型。如需詳細資訊，請參閱[步驟 3：啟動模型](gs-step-start-model.md)。
開始執行模型後，您即可將其用於分析新影像。如需詳細資訊，請參閱[步驟 4：使用模型分析影像](gs-step-get-a-prediction.md)。
您需要根據模型執行時間付費。使用完範例模型後，應停止模型。如需更多詳細資訊，請參閱 [步驟 5：停止模型](gs-step-stop-model.md)。
### 後續步驟
您可以在準備好時建立自己的專案。如需詳細資訊，請參閱[步驟 6：後續步驟](gs-step-next.md)。
# 步驟 1：選擇範例專案
在此步驟中，您會使用「選擇範例專案」。Amazon Rekognition 自訂標籤接著即會為您建立專案和資料集。專案會管理用於訓練模型的檔案。如需詳細資訊，請參閱[管理 Amazon Rekognition 自訂標籤專案](managing-project.md)。資料集包含用於訓練和測試模型的影像、指定的標籤和週框方塊。如需詳細資訊，請參閱[管理資料集](managing-dataset.md)。
如需有關範例專案的詳細資料，請參閱 [範例專案](getting-started.md#gs-example-projects)。
**選擇範例專案**
1. 登入 AWS 管理主控台 ，並在 https：//[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/) 開啟 Amazon Rekognition 主控台。
1. 在左側視窗中，選擇 **使用自訂標籤**。畫面將會顯示 Amazon Rekognition 自訂標籤的登入頁面。如果沒有看到**使用自訂標籤**，請檢查您所使用的[AWS 區域](https://docs.aws.amazon.com/general/latest/gr/rekognition_region.html)是否支援 Amazon Rekognition 自訂標籤。
1. 選擇**開始使用**。
Amazon Rekognition 自訂標籤區段顯示入門、反白顯示「範例專案」的教學課程、專案和資料集。
![\[Amazon Rekognition 自訂標籤區段顯示入門、反白顯示「範例專案」的教學課程、專案和資料集。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/example-projects.png)
1. 在**探索範例專案**中，選擇**試用範例專案**。
1. 決定您要使用的專案，然後在範例區段中選擇**建立專案「*專案名稱*」**。Amazon Rekognition 自訂標籤接著即會為您建立範例專案。
**注意**
如果這是您第一次在目前 AWS 區域中開啟主控台，則會顯示**第一次設定**對話方塊。請執行下列操作：
請記下所顯示的 Amazon S3 儲存貯體名稱。
選擇**繼續**，讓 Amazon Rekognition 自訂標籤代表您建立 Amazon S3 儲存貯體 (主控台儲存貯體)。以下主控台的影像顯示具有「建立專案」按鈕的範例，用於影像分類 （房間）、多標籤分類 （花朵）、品牌偵測 （標誌） 和物件本地化 （電路板）。
![\[Amazon Rekognition 服務範例包含影像分類 （房間）、多標籤分類 （花朵）、品牌偵測 （標誌） 和物件本地化 （電路板） 的「建立專案」按鈕。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started.jpg)
1. 專案準備就緒後，請選擇**前往資料集**。下圖顯示專案就緒時專案面板的外觀。
![\[具有「前往資料集」按鈕的專案室狀態面板，可在模型訓練完成後存取資料。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-goto-dataset-dialog.jpg)
# 步驟 2：培訓您的模型
在此步驟中，您會訓練模型。您的訓練和測試資料集會自動設定。訓練成功完成後，您可以查看整體評估結果，以及個別測試影像的評估結果。如需詳細資訊，請參閱[培訓 Amazon Rekognition 自訂標籤模型](training-model.md)。
**訓練您的模型**
1. 在資料集頁面上，選擇**訓練模型**。下圖顯示具有訓練模型按鈕的 主控台。
![\[使用訓練模型按鈕來開始訓練模型的房間資料集的主控台界面。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-train-model.jpg)
1. 在**訓練模型** 的頁面上，選擇**訓練模型**。下圖顯示**訓練模型**按鈕，請注意您專案的 Amazon Resource Name (ARN) 位於**選擇專案**編輯方塊中。
![\[使用專案 ARN 輸入欄位和訓練模型按鈕來訓練模型頁面。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-train-model-page-train-model.jpg)
1. 在**您想要訓練模型嗎？**對話方塊中，如下圖所示，選擇**訓練模型**。
![\[使用取消和訓練模型按鈕開始模型訓練的對話方塊。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-dialog-train-model.jpg)
1. 訓練完成後，請選擇模型名稱。當模型狀態為 **TRAINING\$1COMPLETED** 時，訓練即完成，如下列主控台螢幕擷取畫面所示。
![\[模型訓練界面顯示名為 "rooms_19.2021-07-13T10：36：30" 且效能分數為 0.902 且狀態為 "TRAINING_COMPLETED" 的模型已完成狀態。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-choose-model.jpg)
1. 選擇**評估**按鈕以查看評估結果。如需評估模型的資訊，請參閱 [改善訓練過的 Amazon Rekognition 自訂標籤模型](improving-model.md)。
1. 選擇**檢視測試結果**，以查看個別測試影像的結果。如下列螢幕擷取畫面所示，評估儀表板會顯示指標，例如 F1 分數、精確度和每個標籤的召回，以及測試影像的數量。也會顯示整體指標，例如平均值、精確度和召回率。
![\[模型評估結果顯示 10 個標籤的效能指標。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-training-results.jpg)
1. 查看測試結果後，選擇模型名稱以返回模型頁面。下列效能儀表板的螢幕擷取畫面，您可以在其中按一下以返回模型頁面。
![\[來自測試結果的兩個範例影像，其中包含預測標籤和可信度分數，以及返回模型頁面的導覽連結。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-image-test-results.jpg)
# 步驟 3：啟動模型
在此步驟中，您可以啟動模型。模型啟動後，您即可將其用於分析影像。
您需要根據模型執行時間付費。如果您不需要分析影像，請停止您的模型。您可以在稍後時間重新啟動您的模型。如需詳細資訊，請參閱[執行培訓過的 Amazon Rekognition 自訂標籤模型](running-model.md)。
**啟動模型**
1. 選擇模型頁面上的**使用模型**索引標籤。
1. 在**啟動或停止模型**區段中，執行以下操作：
1. 選擇 **啟動**。
1. 在**啟動模型**的對話框中，選擇**啟動**。下圖顯示模型控制面板中的開始按鈕。
![\[使用啟動按鈕和選項來啟動模型控制面板，以選取一個推論單位。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-start-model.jpg)
1. 等待模型執行。下列螢幕擷取畫面顯示執行模型時的主控台，其中**開始或停止模型**區段中的狀態正在**執行**。
![\[顯示為執行中的模型狀態，並顯示停止按鈕以停止執行中的模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-start-model-running.jpg)
1. 使用模型來分類影像。如需詳細資訊，請參閱[步驟 4：使用模型分析影像](gs-step-get-a-prediction.md)。
# 步驟 4：使用模型分析影像
呼叫 [DetectCustomLabels](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectCustomLabels) API 以分析影像。在此步驟中，您會使用 `detect-custom-labels` AWS Command Line Interface (AWS CLI) 命令來分析範例映像。您可以從 Amazon Rekognition 自訂標籤主控台取得 AWS CLI 命令。主控台會將 AWS CLI 命令設定為使用您的模型。您只需要提供儲存在 Amazon S3 儲存貯體中的影像。本主題會提供可用於每個範例專案的影像。
**注意**
主控台還會提供 Python 範例程式碼。
來自 `detect-custom-labels` 的輸出包括在影像中找到的標籤清單、邊界框 (如果模型尋找物體位置)，以及模型對預測準確度的信賴度。
如需詳細資訊，請參閱[使用經過培訓的模型分析圖像](detecting-custom-labels.md)。
**分析影像 (主控台)**
1. 顯示為執行中的模型狀態，使用停止按鈕停止執行中的模型。
如果您尚未設定 ，請設定 AWS CLI。如需說明，請參閱[步驟 4：設定 AWS CLI 和 AWS SDKs](su-awscli-sdk.md)。
1. 如果您尚未執行，請開始執行模型。如需詳細資訊，請參閱[步驟 3：啟動模型](gs-step-start-model.md)。
1. 選擇**使用模型**索引標籤，然後選擇 **API 程式碼**。以下顯示的模型狀態面板顯示模型為執行中，並顯示停止按鈕來停止執行中的模型，以及顯示 API 的選項。
![\[顯示為執行中的模型狀態，並顯示停止按鈕以停止執行中的模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-use-model-api-code.png)
1. 選擇 **AWS CLI 命令**。
1. 在**分析映像**區段中，複製呼叫 的 AWS CLI 命令`detect-custom-labels`。下圖的 Rekognition 主控台顯示「分析影像」區段，其中包含使用機器學習模型偵測影像上自訂標籤的 AWS CLI 命令，以及啟動模型並提供影像詳細資訊的說明。
![\[使用 AWS CLI 命令的主控台螢幕擷取畫面，使用機器學習模型偵測影像上的自訂標籤，以及啟動模型並提供影像詳細資訊的說明。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-cli-code-analyze.png)
1. 將範例影像上傳至 Amazon S3 儲存貯體。如需說明，請參閱[取得範例影像](#gs-example-images)。
1. 在命令提示字元中，輸入您在上一個步驟中複製的 AWS CLI 命令。輸出應該如以下範例所示。
`--project-version-arn` 的值應該是模型的 Amazon Resource Name (ARN)。`--region` 的值應該是您在其中建立模型的 AWS 區域。
將 `MY_BUCKET` 和 `PATH_TO_MY_IMAGE` 變更為您在上一步驟中所使用的 Amazon S3 儲存貯體和影像。
如果您是使用 [自訂標籤存取](su-sdk-programmatic-access.md#su-sdk-programmatic-access-customlabels-examples) 設定檔來取得憑證，請新增 `--profile custom-labels-access` 參數。
```
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
```
如果模型尋找物件、場景和概念，則來自 AWS CLI 命令的 JSON 輸出看起來應類似下列內容。 `Name` 是模型找到的影像層級標籤名稱。`Confidence` (0-100) 是模型在預測準確性方面的可信度。
```
{
"CustomLabels": [
{
"Name": "living_space",
"Confidence": 83.41299819946289
}
]
}
```
如果模型尋找物件位置或尋找品牌，則會傳回標記的週框方塊。`BoundingBox` 包含物件周圍方塊的位置。`Name` 是模型在週框方塊中找到的物件。`Confidence` 是模型對於週框方塊包含物件的可信度。
```
{
"CustomLabels": [
{
"Name": "textract",
"Confidence": 87.7729721069336,
"Geometry": {
"BoundingBox": {
"Width": 0.198987677693367,
"Height": 0.31296101212501526,
"Left": 0.07924537360668182,
"Top": 0.4037395715713501
}
}
}
]
}
```
1. 繼續使用模型分析其他影像。如果不再使用，請停止模型。如需詳細資訊，請參閱[步驟 5：停止模型](gs-step-stop-model.md)。
## 取得範例影像
您可以使用下列影像進行 `DetectCustomLabels` 操作。每個專案都有一個影像。若要使用影像，您可以將其上傳到 S3 儲存貯體。
**使用範例影像**
1. 在以下與您正在使用的範例專案相符的影像上按一下右鍵。然後選擇**儲存影像**，將影像儲存到電腦。依您使用的瀏覽器而定，功能表選項可能會有所不同。
1. 將映像上傳至您 AWS 帳戶擁有的 Amazon S3 儲存貯體，且位於您使用 Amazon Rekognition 自訂標籤的相同 AWS 區域。
如需指示說明，請參閱 *Amazon 簡單儲存服務使用者指南*中的[將物件上傳至 Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UploadingObjectsintoAmazonS3.html)。
### Image classification
![\[附火場、沙發、手杖、最終桌、燈和大型窗戶的客廳。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/image-classification.jpg)
### 多標籤分類
![\[球體綠花頭由密集包裝的重疊花邊或碎片組成，形成球狀形狀。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/multi-label-classification.jpg)
### 品牌偵測
![\[圖表顯示使用者活動資料從 Lambda 流向 Amazon Personalize 以取得建議，以及流向 Amazon Pinpoint 以取得建議。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/brand-detection.png)
### 物件本地化
![\[具有各種電子元件和連接器接腳的小型電路。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/object-localization.jpg)
# 步驟 5：停止模型
在此步驟中，您將停止執行模型。您需要根據模型執行時間付費。如果您已使用完成，請停止模型。
**停止模型**
1. 在**啟動或停止模型**區段中，選擇**停止**。
![\[主控台螢幕擷取畫面，包括停止按鈕，以停止執行中的自訂標籤偵測模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-stop-model.jpg)
1. 在**停止模型**對話框中，輸入 **停止**，以確認您要停止模型。
![\[使用文字欄位停止模型對話方塊，以輸入「停止」並確認停止模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-stop-model-dialog.jpg)
1. 選擇**停止**，以停止模型。當 **啟動或停止模型** 的區段中的狀態顯示為 **已停止** 時，模型即已停止。在下列螢幕擷取畫面中，使用者介面區段可以選擇啟動或停止機器學習模型。模型的狀態會顯示為「已停止」，並顯示「開始」按鈕來啟動模型，並顯示下拉式清單來選取推論單位的數量。
![\[啟動或停止機器學習模型的使用者介面區段，以「啟動」按鈕顯示模型的狀態為「停止」，並顯示下拉式清單以選取推論單位的數量。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-stopped-model.jpg)
# 步驟 6：後續步驟
試用完範例專案後，您可以使用自己的影像和資料集來建立自己的模型。如需詳細資訊，請參閱[了解 Amazon Rekognition 自訂標籤](understanding-custom-labels.md)。
使用下表中的標記資訊來訓練與範例專案類似的模型。
| 範例 | 訓練影像 | 測試影像 |
| --- | --- | --- |
| 影像分類 (Rooms) | 每個影像 1 個影像層級標籤 | 每個影像 1 個影像層級標籤 |
| 多標籤分類 (Flowers) | 每個影像多個影像層級標籤 | 每個影像多個影像層級標籤 |
| 品牌檢測 (Logos) | 影像層級標籤 (您也可以使用標記的週框方塊) | 標記的週框方塊 |
| 影像本地化 (Circuit boards) | 標記的週框方塊 | 標記的週框方塊 |
[分類映像](tutorial-classification.md) 會說明如何為影像分類模型建立專案、資料集和模型。
如需建立資料集和訓練模型的詳細資訊，請參閱 [建立 Amazon Rekognition 自訂標籤模型](creating-model.md)。