本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
计算机视觉的内置 SageMaker 算法
SageMaker 提供用于图像分类、物体检测和计算机视觉的图像处理算法。
-
图像分类 – MXNet – 使用包含答案的示例数据（称为有监督算法）。 使用此算法为图像分类。
-
图像分类- TensorFlow— 使用预训练的 TensorFlow Hub 模型针对特定任务进行微调（称为监督算法）。 使用此算法为图像分类。
-
对象检测 – MXNet – 使用单个深度神经网络检测和分类图像中的对象。它是一种指导式学习算法，将图像作为输入并识别图像场景中的所有对象实例。
-
物体检测- TensorFlow – 检测图像中的边界框和对象标签。它是一种监督学习算法，支持使用可用的预训练 TensorFlow 模型进行迁移学习。
-
语义分割算法 – 提供一种细粒度的像素级方法来开发计算机视觉应用程序。
| 算法名称 | 渠道名称 | 训练输入模式 | 文件类型 | 实例类 | 可并行化 |
|---|---|---|---|---|---|
| 图像分类 – MXNet | 训练和验证，（可选）train_lst、validation_lst 和模型 | 文件或管道 | recordIO 或图像文件 (.jpg 或 .png) | GPU | 是 |
| 图像分类- TensorFlow | 训练和验证 | 文件 | 图像文件（.jpg、.jpeg 或 .png） | CPU 或 GPU | 是（仅适用于单实例上的多 GPU） |
| 对象检测 | 训练和验证，（可选）train_annotation、validation_annotation 和模型 | 文件或管道 | recordIO 或图像文件 (.jpg 或 .png) | GPU | 是 |
| 物体检测- TensorFlow | 训练和验证 | 文件 | 图像文件（.jpg、.jpeg 或 .png） | GPU | 是（仅适用于单实例上的多 GPU） |
| 语义分割 | 训练和验证、train_annotation、validation_annotation 以及（可选）label_map 和模型 | 文件或管道 | 图像文件 | GPU（仅单个实例） | 否 |