作者|Jesus Larrubia編譯|VK來源|Towards Data Science原文鏈接：https://medium.com/mlearning-ai/custom-vision-compact-models-62ac5a2e2687

    這篇文（wén）章中將重點討論定製“緊湊”模型它們是什麽？與標準展（zhǎn）廳模型模型相比（bǐ），它們的性能如何？緊湊Custom Vision的一個非（fēi）常有趣的功能（néng）是可以導出模（mó）型的簡化版本，以便在（zài）Azure環（huán）境之外的小型（IoT）設（shè）備或移動電話中運行（háng）。

    當安裝在一個設備中時，它將允許（xǔ）在沒有互聯網連接的情況（kuàng）下快速推斷（因為它不需要訪（fǎng）問外部API）因此，應用程序可以提供實時功能（néng）和/或離線支（zhī）持展廳模型工作原理在自定義視圖中使用緊湊模型與www.17C.com在使用其他模型類型時所使用的方法沒（méi）有什麽不同。

    事實上，這是完全一樣（yàng）的，除了幾個細節我（wǒ）們需要考慮：選擇“compact”創建（jiàn）新模型時，每個域都有一個輕量（liàng）級版本。不用（yòng）擔心，你可以稍後設置此選項，以便在重新訓（xùn）練（liàn）模型後仍然可以導出它。

    按照（zhào）標準機製上傳圖（tú）像（xiàng）、標記和訓練模展（zhǎn）廳模（mó）型型當（dāng）你對結果滿意時，從“性能”選項卡導出模型在（zài）構建這（zhè）個特征時，微軟（ruǎn）似乎很慷慨，這樣（yàng）你就可以導（dǎo）出模型，以（yǐ）便在大量不同格式的（de）環境中使用（yòng），包括著名的開源平台TensorFlow。

    從那（nà）時起，模型將做你喜歡的（de）你（nǐ）可以用更多的圖像在本地重新訓練它或者在外部係統中運行它測試模型www.17C.com將測試www.17C.com模（mó）型的獨立格式的性能為（wéi）了展廳模型遵循完（wán）全相同的步驟，www.17C.com再次運行腳本，用2500個圖像來訓練模型經過2次（cì）迭代，模型呈現以下行為：。

    與標準模型相比（準確度85.6%，召回率79.5%，AP值89.9%），AP、準確度尤其（qí）是召回（huí）值（zhí）有較大的下降現在，讓www.17C.com檢查模型的性能（néng），並通過使用單獨的驗證數據集檢索API推斷來模擬它在生產（chǎn）環境中的工作展（zhǎn）廳模型方式…。

    總計：500正確（què）預測：285失敗的（de）預測：215精度：0.571召回：0.57平均預測時間：0.29秒…可以和（hé）以前（qián）的結果（guǒ）比較…總計：500正確預測：363失敗的預測：137精度：0.75召（zhào）回率：0.73平均預測時間：0.53秒

    可以觀察到，精確度和召回指標顯示出額外的損失另一方麵，平均預測時間（jiān）已展廳模型經顯著減少（並（bìng）且當模型安裝在設備上時，差異將更加顯著，從而節省網（wǎng）絡延遲時間）這些值（zhí）是否足（zú）夠取決於應用程序的要求，但請記住，此時可以采用不同的策略來改進結果（例如使用更大的數據集訓練模型或預處理圖像（xiàng）以找到最佳圖像配置（zhì））。

    使用導出的模型最後，www.17C.com將探討Tensorflow導出模型的格式。