一、数据准备
- 一组用于训练分类模型的图像。 可以使用 GitHub 上的一组示例图像。 或者，可以根据下面的提示选择你自己的图像。
二、创建自定义视觉资源
若要使用自定义视觉服务，需要在 Azure 中创建“自定义视觉训练和预测”资源。 为此，在 Azure 门户中填写创建自定义视觉页上的对话框窗口，以创建“训练和预测”资源。
三、创建新项目
在 Web 浏览器中，导航到自定义影像服务网页，然后选择“登录” 。 使用登录 Azure 门户时所用的帐户进行登录。
- 若要创建首个项目，请选择“新建项目” 。 将出现“创建新项目”对话框 。
- 输入项目名称和描述。 然后选择自定义视觉训练资源。 如果登录帐户与 Azure 帐户相关联，则“资源”下拉列表将显示所有兼容的 Azure 资源。
注意
如果没有可用的资源，请确认已使用登录 Azure 门户时所用的同一帐户登录 customvision.ai。 此外，请确认在自定义视觉网站中选择的“目录”与自定义视觉资源所在 Azure 门户中的目录相同。 在这两个站点中，可从屏幕右上角的下拉帐户菜单中选择目录。
-
选择“项目类型”下的“分类”。 然后，在“分类类型”下，根据用例选择“多标签”或“多类”。 多标签分类将任意数量的标记应用于图像（零个或多个），而多类分类将图像分类为单个类别（提交的每个图像将被分类为最有可能的标记）。 以后可以更改分类类型（如果需要）。
-
接下来，选择一个可用域。 每个域都会针对特定类型的图像优化模型，如下表所述。 稍后可按需更改域。
-
最后，选择“创建项目”。
四、选择训练图像
作为最低要求，我们建议在初始训练集中每个标记使用至少 30 张图像。 此外还需要收集一些额外的图像，以便在训练模型后测试模型。
为了有效地训练模型，请使用具有视觉多样性的图像。 选择在以下方面有所不同的图像：
- 照相机角度
- 照明
- background
- 视觉样式
- 个人/分组主题
- 大小
- type
此外，请确保所有训练图像满足以下条件：
- .jpg、.png、.bmp 或 .gif 格式
- 大小不超过 6 MB （预测图像不超过 4 MB）
- 最短的边不小于 256 像素；任何小于此像素的图像将通过自定义影像服务自动纵向扩展
五、上传和标记图像
在本部分中，将上传图像并手动标记图像以帮助训练分类器。
- 若要添加图像，请选择“添加图像”，然后选择“浏览本地文件” 。 选择“打开”以移至标记。 标记选择将应用于已选择要上传的整组图像，因此根据其应用的标记将图像分成单独的组更容易上传。 还可在上传图像后更改单个图像的标记。
- 若要创建标记，请在“我的标记”字段中输入文本，然后按 Enter 键。 如果标记已存在，它会在下拉列表菜单中显示。 在多标签项目中，可以将多个标记添加到图像，但多类项目中只能添加一个标记。 若要完成上传图像，请使用“上传 [编号] 文件”按钮。
- 上传图像后，选择“完成”。
若要上传另一组图像，请返回到本部分顶部并重复上述步骤。
六、训练分类器
若要训练分类器，请选择“训练”按钮。 分类器使用所有当前图像来创建模型，该模型可标识每个标记的视觉质量。 这个过程可能需要几分钟。
此训练过程应该只需要几分钟的时间。 在此期间，会在“性能”选项卡显示有关训练过程的信息。
七、评估分类器
完成训练后，评估并显示该模型的性能。 自定义视觉服务使用提交用于训练的图像来计算精确度和召回率。 精确度和召回率是分类器有效性的两个不同的度量：
- 精确度表示已识别的正确分类的分数。 例如，如果模型将 100 张图像识别为狗，实际上其中 99 张是狗，那么精确度为 99%。
- 召回率表示正确识别的实际分类的分数。 例如，如果实际上有 100 张苹果的图像，并且该模型将 80 张标识为苹果，则召回率为 80%。
概率阈值
请注意“性能”选项卡左窗格上的“概率阈值”滑块 。这是预测被视为正确时所需具有的置信度（用于计算精度和召回率）。
当解释具有高概率阈值的预测调用时，它们往往会以牺牲召回为代价返回高精度的结果 - 检测到的分类是正确的，但许多分类仍然未被检测到。 使用较低的概率阈值则恰恰相反 - 大多数实际分类会被检测到，但该集合内有更多误报。 考虑到这一点，应该根据项目的特定需求设置概率阈值。 稍后，在客户端接收预测结果时，应使用与此处所用概率阈值相同的概率阈值。
八、管理训练迭代
每次训练分类器时，都会创建一个新的迭代，其中包含已更新的性能指标。 可以在“性能”选项卡的左窗格中查看所有迭代。还可以找到“删除”按钮，如果迭代已过时，可以使用该按钮删除迭代。 删除迭代时，会删除唯一与其关联的所有图像。
请参阅[将模型与预测 API 配合使用]，以了解如何以编程方式访问已训练模型。