昨天我們已經註冊好帳號，並且啟用學生版帳戶，也建立了影像分類的專案，今天我們將開始蒐集資料、訓練模型，最後測試模型。

蒐集圖片資料

在訓練模型之前我們需要先蒐集圖片資料，這裡我們使用 Teachable Machine 工具幫我們擷取影像為圖片。

我們將蒐集三種圖片

• Dinosaur x 300 張
• Ghost x 300 張
• Shark x 300 張

官方建議是每個類最好要有50張圖片以上

上傳圖片

強烈建議使用 Google Chrome 操作，避免異常

打開昨天建立的影像分類專案。

開始上傳圖片

輸入標圖片標籤名稱，按下上傳

上傳完畢後系統還會自動檢查重複的照片並將其移除，以這次的例子有14張圖片被判定為重複

接著我們繼續新增其他圖片，直到所有類別都完成

訓練模型

選擇訓練

選擇快速訓練即可

等待訓練完成

評估模型

訓練完成將會顯示訓練結果，可以看到整體與各別的評估數值

• Precision：如果你的模型預測了一個標籤，那麼它正確的可能性有多大？
• Recall：在應該正確預測的標籤中，你的模型正確找到的百分比是多少？
• AP：模型性能的度量，總結了不同閾值的精度和召回率。

使用雲端平台測試模型

接著我們可以透過平台內建的測試工具實際測試模型效果，選擇右上方快速測試

上傳圖片後將會開始預測，並將各個類的可能性顯示出來，可以看到這張圖有 99.9%是恐龍

發布模型並使用 REST API 測試模型

點選發布，設定模型名稱以及預測資源

成功發布模型後，你會在左側欄看到已發布的標籤

透過上方預測 URL 取得預測網址以及參數說明，可透過圖片網址或圖片檔案呼叫 API

使用 Postman測試預測 API，依照上方說明設定 Header、Body

呼叫預測 API 取得圖片預測結果，可以看到此圖有 99.9% 是恐龍

小結

以上就是整個 Azure Cutom Vision 影像分類的過程，我們只需要蒐集圖片，上傳到此平台，即可透過平台幫我們整理資料及訓練模型，最後還有評估及測試的功能，預測 REST API 也算好用，預測耗費時間平均為1秒，還算不錯，整體來說算是做得相當完善了，對於任何初學者都會非常容易上手。

更多有趣系列教學文章

• CIRCUS Pi 技術文章
• Pixel:Bit 系列
• AI 人工智慧
• IoT 物聯網
• LinkIt 系列
• Arduino 系列
• micro:bit 系列
• M5Stack 系列
• ESP32 系列
• Jetson Nano 系列
• Raspberry Pi 樹莓派 系列
• ROS 機器人作業系統
• Maker 手作品