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。 # 培訓 Amazon Rekognition 自訂標籤模型 您可以使用 Amazon Rekognition 自訂標籤主控台或 Amazon Rekognition 自訂標籤 API 來培訓模型。如果模型培訓失敗，請使用中 [偵錯失敗的模型訓練](tm-debugging.md) 的資訊來尋找失敗的原因。 **注意** 您需根據成功培訓模型所需的時間付費。通常培訓需要 30 分鐘至 24 小時才能完成。如需更多詳細資訊，請參閱 [培訓時間](https://aws.amazon.com/rekognition/pricing/#Amazon_Rekognition_Custom_Labels_pricing)。 每次培訓模型時都會建立一個模型的新版本。Amazon Rekognition 自訂標籤會為模型建立一個名稱，該名稱是專案名稱和建立模型時的時間戳記的組合。 為了培訓您的模型，Amazon Rekognition 自訂標籤會製作來源培訓和測試圖像的副本。在預設情況下，複製的圖像會使用 AWS 擁有和管理的金鑰進行靜態加密。您也可以選擇使用自己的 AWS KMS key。如果您使用自己的 KMS 金鑰，則需要擁有該 KMS 金鑰的以下權限。 + kms:創建權限 + kms:描述金鑰 如需更多詳細資訊，請參閱 [AWS 金鑰管理服務概念](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#master_keys)。您的來源圖像不會受到影響。 您可以使用 KMS 伺服器端加密 (SSE-KMS) 來加密 Amazon S3 儲存貯體中的培訓和測試圖像，然後再由 Amazon Rekognition 自訂標籤進行複製。若要允許 Amazon Rekognition 自訂標籤存取您的映像， AWS 您的帳戶需要 KMS 金鑰的下列許可。 + kms:產生資料金鑰 + kms:解密 如需更多詳細資訊，請參閱 [使用儲存在 AWS 金鑰管理服務 (SSE-KMS) 中的 KMS 金鑰進行伺服器端加密來保護資料](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingKMSEncryption.html)。 培訓模型後，您可以評估其效能並進行改進。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)。 如需了解其他模型工作 (例如標籤模型)，請參閱 [管理 Amazon Rekognition 自訂標籤模型](managing-model.md)。 **Topics** + [培訓模型（主控台）](#tm-console) + [培訓模型 (SDK)](#tm-sdk) ## 培訓模型（主控台） 您可以使用 Amazon Rekognition 自訂標籤主控台來培訓模型。 培訓需要具備培訓資料集和測試資料集的專案。如果您的專案沒有測試資料集，Amazon Rekognition 自訂標籤主控台會在培訓期間分割培訓資料集，以便為您的專案建立一個資料集。選擇的圖像是具代表性的取樣，不會用於培訓資料集。我們建議您只有在沒有可使用的替代測試資料集時，才分割培訓資料集。分割培訓資料集會減少可用於培訓的圖像數量。 **注意** 系統會根據培訓模型所需的時間來向您收取費用。如需更多詳細資訊，請參閱 [培訓時間](https://aws.amazon.com/rekognition/pricing/#Amazon_Rekognition_Custom_Labels_pricing)。 **培訓您的模型（主控台）** 1. 開啟 Amazon Rekognition 主控台：[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/)。 1. 選擇 **使用自訂標籤**。 1. 在左側導覽視窗中，選擇 **專案**。 1. 在 **專案** 頁面，選擇包含要培訓的模型的專案。 1. 在 **專案** 頁面上，選擇 **培訓模型**。 ![\[「訓練模式」按鈕，用於在目前專案的資料集上訓練機器學習模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-train-model.jpg) 1. (可選) 如果您想要使用自己的 AWS KMS 加密金鑰，請執行以下操作： 1. 在 **圖像資料加密** 中選擇 **自訂加密配置 (進階)**。 1. 在 **encryption.aws\$1kms\$1key**，輸入您的金鑰的 Amazon Resource Name (ARN)，或選擇現有的 AWS KMS key。若要建立新的金鑰，請選擇 **建立 AWS IMS 金鑰**。 1. (可選) 如果您要新增標籤到模型，請執行以下操作： 1. 在 **標籤** 區域，選擇 **新增**。 1. 輸入下列資料： 1. **金鑰** 中的金鑰名稱。 1. **值** 中的鍵/值。 1. 若要新增更多標籤，請重複步驟 6a 和 6b。 1. (選用) 如果您要移除標籤，請選擇要刪除的標籤旁邊的**刪除**。如果您要移除先前儲存的標籤，則會在您儲存變更時移除該標籤。 1. 在 **培訓模型** 的頁面上，選擇 **培訓模型**。專案的 Amazon Resource Name (ARN) 應該在 **選擇專案** 的編輯框中。如果沒有，請輸入專案的 ARN。 ![\[訓練模型按鈕可在 Amazon Rekognition 自訂標籤服務上開始訓練 AI 模型。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-train-model-page-train-model.jpg) 1. 在**您是否要訓練模型？**的對話框中，選擇**訓練模型**。 ![\[顯示訓練模型按鈕的訓練模型組態頁面。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-dialog-train-model.jpg) 1. 在專案頁面的 **模型** 區域中，您可以在培訓正在進行的 `Model Status`欄位中檢查目前狀態。培訓模型需要一段時間才能完成。 ![\[模型狀態顯示 'TRAINING_IN_PROGRESS'，指出模型目前正在訓練中。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/tutorial-training-progress.jpg) 1. 訓練完成後，請選擇模型名稱。當模型狀態轉為 **培訓\$1完成** 時，即培訓已經完成。如果培訓失敗，請參閱 [偵錯失敗的模型訓練](tm-debugging.md)。 ![\[顯示訓練模型和狀態 TRAINING_COMPLETED 的界面，指出模型已準備好執行。\]](http://docs.aws.amazon.com/zh_tw/rekognition/latest/customlabels-dg/images/get-started-choose-model.jpg) 1. 下一步：評估您的模型。如需更多詳細資訊，請參閱 [改善訓練過的 Amazon Rekognition 自訂標籤模型](improving-model.md)。 ## 培訓模型 (SDK) 您可以呼叫 [建立專案版本](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProjectVersion) 來培訓模型。若要培訓模型，需要以下資料： + 名稱 – 模型版本的唯一名稱。 + 專案 ARN — 管理模型的專案的 Amazon Resource Name (ARN)。 + 培訓結果位置 — 放置結果的 Amazon S3 位置。您可以使用與主控台 Amazon S3 儲存貯體相同的位置，也可以選擇不同的位置。我們建議您選擇不同的位置，因為這樣可讓您設定權限，並避免與使用 Amazon Rekognition 自訂標籤主控台的培訓輸出發生潛在的命名衝突。 培訓使用與專案相關的培訓和測試資料集。如需詳細資訊，請參閱[管理資料集](managing-dataset.md)。 **注意** 或者，您可以指定項目外部的培訓和測試資料集清單檔案。如果您在使用外部清單檔案培訓模型後開啟主控台，Amazon Rekognition 自訂標籤將使用最後一組用於培訓的清單檔案為您建立資料集。您無法再透過指定外部資訊清單檔案來培訓專案的模型版本。如需更多詳細資訊，請參閱 [建立專案版本](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProjectVersion)。 來自 `CreateProjectVersion` 的回應是一個 ARN，您可以使用它來識別後續請求中的模型版本。您也可以使用 ARN 來保護模型版本。如需詳細資訊，請參閱[保護 Amazon Rekognition 自訂標籤專案的安全](sc-introduction.md#sc-resources)。 培訓模型版本需要一段時間才能完成。本主題中的 Python 和 Java 範例使用等待程式以等待培訓完成。等待程式是一種實用的程式方法，用於輪詢特定狀態發生。或者，您可以通過呼叫 `DescribeProjectVersions` 來獲取培訓的當前狀態。當 `Status` 的欄位值轉為 `TRAINING_COMPLETED` 時，表示培訓完成。培訓完成後，您可以檢閱評估結果來評估模型的品質。 ### 培訓模型 (SDK) 以下範例顯示如何使用與專案相關的培訓和測試資料集來培訓模型。 **培訓模型 (SDK)** 1. 如果您尚未這麼做，請安裝並設定 AWS CLI 和 AWS SDKs。如需詳細資訊，請參閱[步驟 4：設定 AWS CLI 和 AWS SDKs](su-awscli-sdk.md)。 1. 使用下列範例程式碼來培訓專案。 ------ #### [ AWS CLI ] 以下範例會建立一個模型。培訓資料集會被分割以建立測試資料集。取代以下項目： + `my_project_arn` 與專案的 Amazon Resource Name (ARN)。 + `version_name` 取代為您選擇的唯一版本名稱。 + `output_bucket` 取代為 Amazon Rekognition 自訂標籤儲存培訓結果的 Amazon S3 儲存貯體的名稱。 + `output_folder` 取代為儲存培訓結果的資料夾名稱。 + (可選參數) `--kms-key-id` 包含您的 AWS 金鑰管理服務客戶主金鑰的識別碼。 ``` aws rekognition create-project-version \ --project-arn project_arn \ --version-name version_name \ --output-config '{"S3Bucket":"output_bucket", "S3KeyPrefix":"output_folder"}' \ --profile custom-labels-access ``` ------ #### [ Python ] 以下範例會建立一個模型。提供下列命令列參數： + `project_arn` – 專案的 Amazon Resource Name (ARN)。 + `version_name` – 您所選模型的唯一版本名稱。 + `output_bucket` – Amazon Rekognition 自訂標籤儲存培訓結果的 Amazon S3 儲存貯體的名稱。 + `output_folder` – 儲存培訓結果的資料夾名稱。 您也可選擇性地提供以下命令列參數，以將標籤附加至您的模型： + `tag` – 您選擇需要附加至模型的標籤名稱。 + `tag_value` 標籤值。 ``` #Copyright 2023 Amazon.com, Inc. or its affiliates. All Rights Reserved. #PDX-License-Identifier: MIT-0 (For details, see https://github.com/awsdocs/amazon-rekognition-custom-labels-developer-guide/blob/master/LICENSE-SAMPLECODE.) import argparse import logging import json import boto3 from botocore.exceptions import ClientError logger = logging.getLogger(__name__) def train_model(rek_client, project_arn, version_name, output_bucket, output_folder, tag_key, tag_key_value): """ Trains an Amazon Rekognition Custom Labels model. :param rek_client: The Amazon Rekognition Custom Labels Boto3 client. :param project_arn: The ARN of the project in which you want to train a model. :param version_name: A version for the model. :param output_bucket: The S3 bucket that hosts training output. :param output_folder: The path for the training output within output_bucket :param tag_key: The name of a tag to attach to the model. Pass None to exclude :param tag_key_value: The value of the tag. Pass None to exclude """ try: #Train the model status="" logger.info("training model version %s for project %s", version_name, project_arn) output_config = json.loads( '{"S3Bucket": "' + output_bucket + '", "S3KeyPrefix": "' + output_folder + '" } ' ) tags={} if tag_key is not None and tag_key_value is not None: tags = json.loads( '{"' + tag_key + '":"' + tag_key_value + '"}' ) response=rek_client.create_project_version( ProjectArn=project_arn, VersionName=version_name, OutputConfig=output_config, Tags=tags ) logger.info("Started training: %s", response['ProjectVersionArn']) # Wait for the project version training to complete. project_version_training_completed_waiter = rek_client.get_waiter('project_version_training_completed') project_version_training_completed_waiter.wait(ProjectArn=project_arn, VersionNames=[version_name]) # Get the completion status. describe_response=rek_client.describe_project_versions(ProjectArn=project_arn, VersionNames=[version_name]) for model in describe_response['ProjectVersionDescriptions']: logger.info("Status: %s", model['Status']) logger.info("Message: %s", model['StatusMessage']) status=model['Status'] logger.info("finished training") return response['ProjectVersionArn'], status except ClientError as err: logger.exception("Couldn't create model: %s", err.response['Error']['Message'] ) raise def add_arguments(parser): """ Adds command line arguments to the parser. :param parser: The command line parser. """ parser.add_argument( "project_arn", help="The ARN of the project in which you want to train a model" ) parser.add_argument( "version_name", help="A version name of your choosing." ) parser.add_argument( "output_bucket", help="The S3 bucket that receives the training results." ) parser.add_argument( "output_folder", help="The folder in the S3 bucket where training results are stored." ) parser.add_argument( "--tag_name", help="The name of a tag to attach to the model", required=False ) parser.add_argument( "--tag_value", help="The value for the tag.", required=False ) def main(): logging.basicConfig(level=logging.INFO, format="%(levelname)s: %(message)s") try: # Get command line arguments. parser = argparse.ArgumentParser(usage=argparse.SUPPRESS) add_arguments(parser) args = parser.parse_args() print(f"Training model version {args.version_name} for project {args.project_arn}") # Train the model. session = boto3.Session(profile_name='custom-labels-access') rekognition_client = session.client("rekognition") model_arn, status=train_model(rekognition_client, args.project_arn, args.version_name, args.output_bucket, args.output_folder, args.tag_name, args.tag_value) print(f"Finished training model: {model_arn}") print(f"Status: {status}") except ClientError as err: logger.exception("Problem training model: %s", err) print(f"Problem training model: {err}") except Exception as err: logger.exception("Problem training model: %s", err) print(f"Problem training model: {err}") if __name__ == "__main__": main() ``` ------ #### [ Java V2 ] 以下範例會培訓模型。提供下列命令列參數： + `project_arn` – 專案的 Amazon Resource Name (ARN)。 + `version_name` – 您所選模型的唯一版本名稱。 + `output_bucket` – Amazon Rekognition 自訂標籤儲存培訓結果的 Amazon S3 儲存貯體的名稱。 + `output_folder` – 儲存培訓結果的資料夾名稱。 ``` /* Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved. SPDX-License-Identifier: Apache-2.0 */ package com.example.rekognition; import software.amazon.awssdk.auth.credentials.ProfileCredentialsProvider; import software.amazon.awssdk.core.waiters.WaiterResponse; import software.amazon.awssdk.regions.Region; import software.amazon.awssdk.services.rekognition.RekognitionClient; import software.amazon.awssdk.services.rekognition.model.CreateProjectVersionRequest; import software.amazon.awssdk.services.rekognition.model.CreateProjectVersionResponse; import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsRequest; import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsResponse; import software.amazon.awssdk.services.rekognition.model.OutputConfig; import software.amazon.awssdk.services.rekognition.model.ProjectVersionDescription; import software.amazon.awssdk.services.rekognition.model.RekognitionException; import software.amazon.awssdk.services.rekognition.waiters.RekognitionWaiter; import java.util.Optional; import java.util.logging.Level; import java.util.logging.Logger; public class TrainModel { public static final Logger logger = Logger.getLogger(TrainModel.class.getName()); public static String trainMyModel(RekognitionClient rekClient, String projectArn, String versionName, String outputBucket, String outputFolder) { try { OutputConfig outputConfig = OutputConfig.builder().s3Bucket(outputBucket).s3KeyPrefix(outputFolder).build(); logger.log(Level.INFO, "Training Model for project {0}", projectArn); CreateProjectVersionRequest createProjectVersionRequest = CreateProjectVersionRequest.builder() .projectArn(projectArn).versionName(versionName).outputConfig(outputConfig).build(); CreateProjectVersionResponse response = rekClient.createProjectVersion(createProjectVersionRequest); logger.log(Level.INFO, "Model ARN: {0}", response.projectVersionArn()); logger.log(Level.INFO, "Training model..."); // wait until training completes DescribeProjectVersionsRequest describeProjectVersionsRequest = DescribeProjectVersionsRequest.builder() .versionNames(versionName) .projectArn(projectArn) .build(); RekognitionWaiter waiter = rekClient.waiter(); WaiterResponse waiterResponse = waiter .waitUntilProjectVersionTrainingCompleted(describeProjectVersionsRequest); Optional optionalResponse = waiterResponse.matched().response(); DescribeProjectVersionsResponse describeProjectVersionsResponse = optionalResponse.get(); for (ProjectVersionDescription projectVersionDescription : describeProjectVersionsResponse .projectVersionDescriptions()) { System.out.println("ARN: " + projectVersionDescription.projectVersionArn()); System.out.println("Status: " + projectVersionDescription.statusAsString()); System.out.println("Message: " + projectVersionDescription.statusMessage()); } return response.projectVersionArn(); } catch (RekognitionException e) { logger.log(Level.SEVERE, "Could not train model: {0}", e.getMessage()); throw e; } } public static void main(String args[]) { String versionName = null; String projectArn = null; String projectVersionArn = null; String bucket = null; String location = null; final String USAGE = "\n" + "Usage: " + " \n\n" + "Where:\n" + " project_arn - The ARN of the project that you want to use. \n\n" + " version_name - A version name for the model.\n\n" + " output_bucket - The S3 bucket in which to place the training output. \n\n" + " output_folder - The folder within the bucket that the training output is stored in. \n\n"; if (args.length != 4) { System.out.println(USAGE); System.exit(1); } projectArn = args[0]; versionName = args[1]; bucket = args[2]; location = args[3]; try { // Get the Rekognition client. RekognitionClient rekClient = RekognitionClient.builder() .credentialsProvider(ProfileCredentialsProvider.create("custom-labels-access")) .region(Region.US_WEST_2) .build(); // Train model projectVersionArn = trainMyModel(rekClient, projectArn, versionName, bucket, location); System.out.println(String.format("Created model: %s for Project ARN: %s", projectVersionArn, projectArn)); rekClient.close(); } catch (RekognitionException rekError) { logger.log(Level.SEVERE, "Rekognition client error: {0}", rekError.getMessage()); System.exit(1); } } } ``` ------ 1. 如果培訓失敗，請參閱 [偵錯失敗的模型訓練](tm-debugging.md)。