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

Amazon SageMaker Object Detection- TensorFlow 算法是一种监督学习算法，它支持使用模型花园中的许多预训练TensorFlow 模型进行迁移学习。使用迁移学习，即使没有大量图像数据可用，也可以在您自己的数据集上对一个可用的预训练模型进行微调。对象检测算法将图像作为输入，并输出边界框列表。训练数据集必须由 .jpg、.jpeg 或 .png 格式的图像组成。

如何使用 SageMaker 物体检测- TensorFlow 算法

您可以使用对象检测- TensorFlow 作为 Amazon 的 SageMaker 内置算法。以下部分介绍如何在 SageMaker Python SDK 中 TensorFlow 使用物体检测。有关如何使用 Amazon SageMaker Studio 经典用户界面 TensorFlow 中的对象检测的信息，请参阅SageMaker JumpStart。

物体检测- TensorFlow 算法支持使用任何兼容的预训练 TensorFlow 模型进行迁移学习。有关所有可用的预先训练模型的列表，请参阅 TensorFlow 模特。每个预先训练的模型都有独特的 model_id。以下示例使用 ResNet 50 (model_id:tensorflow-od1-ssd-resnet50-v1-fpn-640x640-coco17-tpu-8) 对自定义数据集进行微调。预训练的模型都是从 TensorFlow Hub 预先下载的，并存储在 Amazon S3 存储桶中，这样训练作业就可以在网络隔离的情况下运行。使用这些预生成的模型训练工件来构造 SageMaker 估算器。

首先，检索 Docker 映像 URI、训练脚本 URI 和预先训练模型 URI。然后，根据需要更改超参数。您可以使用 hyperparameters.retrieve_default 查看包含所有可用超参数及其默认值的 Python 字典。有关更多信息，请参阅物体检测- TensorFlow 超参数。使用这些值来构造 SageMaker 估算器。

此示例使用 PennFudanPed 数据集，其中包含街上行人的图像。我们预先下载了数据集，并将其存储在 Amazon S3 中供使用。要对模型进行微调，请使用训练数据集的 Amazon S3 位置调用 .fit。

from sagemaker import image_uris, model_uris, script_uris, hyperparameters
from sagemaker.estimator import Estimator

model_id, model_version = "tensorflow-od1-ssd-resnet50-v1-fpn-640x640-coco17-tpu-8", "*"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the Docker image
train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None)

# Retrieve the training script
train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training")

# Retrieve the pretrained model tarball for transfer learning
train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training")

# Retrieve the default hyperparameters for fine-tuning the model
hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version)

# [Optional] Override default hyperparameters with custom values
hyperparameters["epochs"] = "5"

# Sample training data is available in this bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/PennFudanPed_COCO_format/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-od-training"
s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

# Create an Estimator instance
tf_od_estimator = Estimator(
    role=aws_role,
    image_uri=train_image_uri,
    source_dir=train_source_uri,
    model_uri=train_model_uri,
    entry_point="transfer_learning.py",
    instance_count=1,
    instance_type=training_instance_type,
    max_run=360000,
    hyperparameters=hyperparameters,
    output_path=s3_output_location,
)

# Launch a training job
tf_od_estimator.fit({"training": training_dataset_s3_path}, logs=True)

有关如何使用 SageMaker 对象检测- TensorFlow 算法对自定义数据集进行迁移学习的更多信息，请参阅《物体检测简介》笔记本。 SageMaker TensorFlow

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。

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

您可以使用以前训练过的模型中的工件为新模型的训练做种子 SageMaker。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。

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。有关如何在物体检测中使用增量训练的更多信息 TensorFlow，请参阅《 SageMaker 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经过微调的模型以进行推理。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。

针对对象检测的 Amazon EC2 实例推荐- TensorFlow 算法

物体检测- TensorFlow 算法支持所有 GPU 实例进行训练，包括：

对于大批量训练，建议使用具有更多内存的 GPU 实例。CPU（例如 M5）实例和 GPU（P2 或 P3）实例都可用于推理。有关各 Amazon 区域 SageMaker 训练和推理实例的完整列表，请参阅 Amazon SageMaker 定价。

物体检测- TensorFlow 样本笔记本

有关如何使用 SageMaker 对象检测- TensorFlow 算法对自定义数据集进行迁移学习的更多信息，请参阅《物体检测简介》笔记本。 SageMaker TensorFlow

有关如何创建和访问可用于在中运行示例的 Jupyter 笔记本实例的说明 SageMaker，请参阅。Amazon SageMaker 笔记本实例创建并打开笔记本实例后，选择 “SageMaker示例” 选项卡以查看所有 SageMaker 示例的列表。要打开笔记本，请选择其使用选项卡，然后选择创建副本。