物体检测- TensorFlow 算法的输入和输出接口 - 亚马逊 SageMaker AI
增量训练使用物体检测- TensorFlow 算法进行推理
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

物体检测- TensorFlow 算法的输入和输出接口

模型中列出的每个预训练 TensorFlow 模型都可以微调到具有任意数量图像类的任何数据集。请注意如何格式化训练数据，以便输入到物体检测- TensorFlow 模型中。

  • 训练数据输入格式：您的训练数据应该是一个包含 images 子目录和 annotations.json 文件的目录。

以下是输入目录结构的示例。输入目录应托管在 Amazon S3 存储桶中，路径类似于如下所示：s3://bucket_name/input_directory/。请注意，结尾的 / 是必需的。

input_directory
    |--images
        |--abc.png
        |--def.png
    |--annotations.json

annotations.json 文件应包含边界框及其类标签的信息，采用字典 "images" 和 "annotations" 键的格式。"images" 键的值应为字典列表。每张图像应有一个字典，其中包含以下信息：{"file_name": image_name, "height": height, "width": width, "id": image_id}。"annotations" 键的值应为字典列表。每个边界框应有一个字典，其中包含以下信息：{"image_id": image_id, "bbox": [xmin, ymin, xmax, ymax], "category_id": bbox_label}。

训练完成后，标签映射文件和经过训练的模型将保存到您的 Amazon S3 存储桶中。

增量训练

您可以使用之前使用 SageMaker AI 训练的模型中的工件为新模型的训练做种子。当您想训练具有相同或类似数据的新模型时，这种增量训练可节省训练时间。

注意

你只能播种 SageMaker AI 物体检测（带有另一个物体检测的 TensorFlow 模型）在 SageMaker AI 中训练过的 TensorFlow 模型。

只要类别集合保持不变，就可以使用任何数据集进行增量训练。增量训练步骤与微调步骤类似，但不是使用预先训练的模型开始，而是从现有的微调模型开始。有关如何在 SageMaker AI 对象检测中使用增量训练的更多信息 TensorFlow，请参阅 “物体检测简介” 笔记本。 SageMaker TensorFlow

使用物体检测- TensorFlow 算法进行推理

您可以托管 TensorFlow 物体检测训练产生的微调模型以进行推理。任何用于推理的输入图像都必须采用 .jpg、.jpeg 或 .png 格式，并且内容类型为 application/x-image。物体检测- TensorFlow 算法会自动调整输入图像的大小。

运行推理会生成边界框、预测类以及每个预测的分数，以 JSON 格式编码。物体检测- TensorFlow 模型根据请求处理单个图像，并且仅输出一行。以下是 JSON 格式响应的示例：

accept: application/json;verbose

{"normalized_boxes":[[xmin1, xmax1, ymin1, ymax1],....], 
    "classes":[classidx1, class_idx2,...], 
    "scores":[score_1, score_2,...], 
    "labels": [label1, label2, ...], 
    "tensorflow_model_output":<original output of the model>}

如果 accept 设置为 application/json，则模型仅输出标准化框、类和分数。