Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Adapter erstellen und verwenden
Adapter sind modulare Komponenten, die zum bestehenden Deep-Learning-Modell von Rekognition hinzugefügt werden können, wodurch dessen Funktionen für die Aufgaben, für die es trainiert wurde, erweitert werden. Durch das Training eines Deep-Learning-Modells mit Adaptern können Sie eine höhere Genauigkeit bei Bildanalyseaufgaben erreichen, die sich auf Ihren speziellen Anwendungsfall beziehen.
Um einen Adapter zu erstellen und zu verwenden, müssen Sie Rekognition Trainings- und Testdaten zur Verfügung stellen. Sie können dies auf zwei Arten erreichen:
+ Massenanalyse und -überprüfung: Sie können einen Trainingsdatensatz erstellen, indem Sie Bilder massenweise analysieren, die Rekognition analysiert und ihnen Label zuweist. Anschließend können Sie die generierten Anmerkungen für Ihre Bilder überprüfen und die Vorhersagen überprüfen oder korrigieren. Weitere Informationen zur Funktionsweise der Massenanalyse von Bildern finden Sie unter [Massenanalyse](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html).
+ Manuelles Kommentieren: Bei diesem Ansatz erstellen Sie Ihre Trainingsdaten, indem Sie Bilder hochladen und kommentieren. Sie erstellen Ihre Testdaten, indem Sie entweder Bilder hochladen und mit Anmerkungen versehen oder sie automatisch aufteilen.
Wählen Sie eines der folgenden Themen aus, um mehr zu erfahren:
**Topics**
+ [Massenanalyse und -überprüfung](adapters-bulk-analysis.md)
+ [Manuelle Kommentierung](adapters-manual-annotation.md)
# Massenanalyse und -überprüfung
Bei diesem Ansatz laden Sie eine große Anzahl von Bildern hoch, die Sie als Trainingsdaten verwenden möchten, und verwenden dann Rekognition, um Vorhersagen für diese Bilder zu erhalten, wodurch ihnen automatisch Label zugewiesen werden. Sie können diese Vorhersagen als Ausgangspunkt für Ihren Adapter verwenden. Sie können die Genauigkeit der Vorhersagen überprüfen und dann den Adapter auf der Grundlage der verifizierten Vorhersagen trainieren. Dies kann mit der AWS Konsole geschehen.
Das folgende Video zeigt, wie Sie die Massenanalysefunktion von Rekognition nutzen können, um Vorhersagen für eine große Anzahl von Bildern zu erhalten und zu verifizieren und dann einen Adapter mit diesen Vorhersagen zu trainieren.
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY)
## Laden Sie Bilder für die Massenanalyse hoch
Um einen Trainingsdatensatz für Ihren Adapter zu erstellen, laden Sie Bilder in großen Mengen hoch, damit Rekognition Label vorhersagen kann. Um optimale Ergebnisse zu erzielen, sollten Sie für das Training so viele Bilder wie möglich bis zu einer Obergrenze von 10.000 bereitstellen und sicherstellen, dass die Bilder für alle Aspekte Ihres Anwendungsfalls repräsentativ sind.
Wenn Sie die AWS Konsole verwenden, können Sie Bilder direkt von Ihrem Computer hochladen oder einen Amazon Simple Storage Service-Bucket bereitstellen, in dem Ihre Bilder gespeichert werden. Wenn Sie Rekognition jedoch APIs mit einem SDK verwenden, müssen Sie eine Manifestdatei bereitstellen, die auf Bilder verweist, die in einem Amazon Simple Storage Service-Bucket gespeichert sind. Weitere Informationen finden Sie unter [Massenanalyse](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html).
## Überprüfen der Vorhersagen
Sobald Sie Ihre Bilder auf die Rekognition-Konsole hochgeladen haben, generiert Rekognition Label für sie. Anschließend können Sie die Vorhersagen anhand einer der folgenden Kategorien verifizieren: richtig positiv, falsch positiv, wahr negativ, falsch negativ. Nachdem Sie die Vorhersagen verifiziert haben, können Sie einen Adapter anhand Ihres Feedbacks trainieren.
## Trainieren des Adapters
Sobald Sie die Überprüfung der durch die Massenanalyse zurückgegebenen Vorhersagen abgeschlossen haben, können Sie den Trainingsprozess für Ihren Adapter einleiten.
## Holen Sie sich das AdapterId
Sobald der Adapter trainiert wurde, können Sie die eindeutige ID für Ihren Adapter abrufen, die er für die Bildanalyse von Rekognition verwenden kann. APIs
## Rufen Sie die API-Operation auf
Um Ihren benutzerdefinierten Adapter anzuwenden, geben Sie dessen ID an, wenn Sie einen der Bildanalyseprogramme aufrufen APIs , der Adapter unterstützt. Dies verbessert die Genauigkeit der Vorhersagen für Ihre Bilder.
# Manuelle Kommentierung
Bei diesem Ansatz erstellen Sie Ihre Trainingsdaten, indem Sie Bilder hochladen und manuell kommentieren. Sie erstellen Ihre Testdaten, indem Sie entweder Testbilder hochladen und mit Anmerkungen versehen oder sie automatisch aufteilen, sodass Rekognition automatisch einen Teil Ihrer Trainingsdaten als Testbilder verwendet.
## Bilder hochladen und kommentieren
Um den Adapter zu trainieren, müssen Sie eine Reihe von Beispielbildern hochladen, die für Ihren Anwendungsfall repräsentativ sind. Um optimale Ergebnisse zu erzielen, sollten Sie für das Training so viele Bilder wie möglich bis zu einer Obergrenze von 10.000 bereitstellen und sicherstellen, dass die Bilder für alle Aspekte Ihres Anwendungsfalls repräsentativ sind.
![\[Benutzeroberfläche mit Optionen zum Importieren von Trainingsbildern mit Optionen zum Importieren einer Manifestdatei, zum Import aus einem S3-Bucket oder zum Hochladen von Bildern vom Computer. Enthält ein S3-URI-Feld und einen Hinweis zur Sicherstellung von read/write Berechtigungen.\]](http://docs.aws.amazon.com/de_de/rekognition/latest/dg/images/adapters-11-traiing-dataset.png)
Wenn Sie die AWS Konsole verwenden, können Sie Bilder direkt von Ihrem Computer hochladen, eine Manifestdatei bereitstellen oder einen Amazon S3 S3-Bucket bereitstellen, in dem Ihre Bilder gespeichert werden.
Wenn Sie Rekognition jedoch APIs mit einem SDK verwenden, müssen Sie eine Manifestdatei bereitstellen, die auf Bilder verweist, die in einem Amazon S3 S3-Bucket gespeichert sind.
Sie können die Annotationsoberfläche der [Rekognition-Konsole](https://console.aws.amazon.com/rekognition) verwenden, um Ihre Bilder mit Anmerkungen zu versehen. Kommentieren Sie Ihre Bilder, indem Sie sie mit Labels versehen. Auf diese Weise erhalten Sie eine „Grundwahrheit“ für das Training. Sie müssen auch Trainings- und Testsets festlegen oder das auto-split-Feature verwenden, bevor Sie einen Adapter trainieren können. Wenn Sie mit der Benennung Ihrer Datensätze und dem Hinzufügen von Anmerkungen zu Ihren Bildern fertig sind, können Sie einen Adapter erstellen, der auf den kommentierten Bildern in Ihrem Testsatz basiert. Anschließend können Sie die Leistung Ihres Adapters bewerten.
## Erstellen eines Testsatzes
Sie müssen einen kommentierten Testsatz bereitstellen oder das auto-split-Feature verwenden. Das Trainingsset wird verwendet, um den Adapter tatsächlich zu trainieren. Der Adapter lernt die Muster, die in diesen kommentierten Bildern enthalten sind. Der Testsatz wird verwendet, um die Leistung des Modells zu bewerten, bevor der Adapter fertiggestellt wird.
## Trainieren des Adapters
Sobald Sie mit dem Annotieren der Trainingsdaten fertig sind oder eine Manifestdatei bereitgestellt haben, können Sie den Trainingsprozess für Ihren Adapter starten.
## Adapter-ID abrufen
Sobald der Adapter trainiert wurde, können Sie die eindeutige ID für Ihren Adapter abrufen, die er für die Bildanalyse von Rekognition verwenden kann. APIs
## Rufen Sie die API-Operation auf
Um Ihren benutzerdefinierten Adapter anzuwenden, geben Sie dessen ID an, wenn Sie einen der Bildanalyseprogramme aufrufen APIs , der Adapter unterstützt. Dies verbessert die Genauigkeit der Vorhersagen für Ihre Bilder.