探索影像分類

Azure AI 視覺服務提供了實用的預建模型來處理影像，但針對電腦視覺，您通常需要定型自己的模型。例如，假設野生動物保護組織想要使用運動感應相機來追蹤動物的出沒。然後，運用攝影機拍攝的影像來驗證特定區域存在特定物種，以便協助保護瀕危物種。為達成此目的，該組織可受益於影像分類模型，因其經過訓練可從所擷取相片識別不同動物物種。

您可在 Azure 使用自訂視覺服務，根據現有影像來訓練影像分類模型。建立影像分類解決方案有兩個要素。首先，您必須訓練模型，以使用現有影像來辨識不同的類別。然後，模型完成定型時，您必須將其發佈為服務以供應用程式使用。

為了測試自訂視覺服務的功能，我們會使用在 Cloud Shell 中執行的簡單命令列應用程式。相同的原則與功能適用於現實世界的解決方案，例如網站或行動應用程式。

在您開始使用 Intune 之前

若要完成此實驗室，您將需要擁有管理存取權的 Azure 訂用帳戶。

建立 Azure AI 服務資源

您可以透過建立自訂視覺資源或 Azure AI 服務資源，以使用自訂視覺服務。

注意並非所有區域都有提供這些資源。無論您建立的是自訂視覺資源或 Azure AI 服務資源，只有在特定區域建立的資源才能用於存取自訂視覺服務。為了簡單起見，以下設定指示會預先為您選取某個區域。

在 Azure 訂閱建立 Azure AI 服務資源。

開啟位於 https://portal.azure.com 的 Azure 入口網站，並使用您的 Microsoft 帳戶登入。
按一下 ＋建立資源 **按鈕並搜尋 * Azure AI 服務 *。選取建立** Azure AI 服務方案。系統會帶您前往建立 Azure AI 服務資源的頁面。使用下列設定對其進行設定：
- 訂用帳戶：您的 Azure 訂用帳戶。
- 資源群組：選取或建立具有唯一名稱的資源群組。
- 區域：美國東部
- 名稱：輸入唯一名稱。
- 定價層:標準 S0
- 核取此方塊表示我已閱讀並了解下列所有條款：選取。
檢閱並建立資源，然後等候部署完成。接著，移至所部署的資源。
檢視 Azure AI 服務資源的金鑰與端點頁面。您需要有端點和金鑰，才能從用戶端應用程式連線。

建立自訂視覺專案

若要訓練物件偵測模型，您必須根據訓練資源來建立自訂視覺專案。為此，您將使用自訂視覺入口網站。

從 https://aka.ms/animal-images 下載並擷取正在訓練的影像。這些影像會以 zip 壓縮資料夾提供，此資料夾在解壓縮後會包含名為 elephant、giraffe 與 lion 的子資料夾。
開啟新瀏覽器索引標籤，並瀏覽至自訂視覺入口網站 (位於 https://customvision.ai)。如果出現提示，請使用與 Azure 訂用帳戶相關聯的 Microsoft 帳戶進行登入，並同意服務條款。
在自訂視覺入口網站中，使用下列設定建立新的專案：
- 名稱：動物識別
- 描述：動物影像分類
- 資源：您先前建立的 Azure AI 服務或自訂視覺資源
- 專案類型：分類
- 分類類型：多類別 (每個影像一個標記)
- 區域：一般 [A2]
按一下 [新增影像]**，然後選取先前解壓縮的 **elephant 資料夾中的所有檔案。然後上傳影像檔，並指定 elephant 標籤，如下所示：
使用 [新增影像]** ([+]) 按鈕，上傳 **giraffe 資料夾中帶有 giraffe 標記的影像，以及 lion 資料夾中帶有 lion 標記的影像。
探索您在自訂視覺專案中上傳的影像 - 每個類別應該會有 17 個影像，如下所示：
在自訂視覺專案中，於影像上方按一下 [定型]** 以使用已加上標籤的影像來定型分類模型。選取 [快速定型]** 選項，然後等候定型反覆項目完成。

提示：定型可能需要幾分鐘時間。在等待時，請查看雪豹自拍與 AI 如何協助拯救物種免於滅絕，其中描述真實專案使用電腦視覺來追蹤野生瀕危動物。
當模型反覆項目已完成定型時，請檢閱精確度、重新叫用率和 AP 效能計量 - 這些計量會測量分類模型的預測精確度，而且值應該都很高。

測試模型

在發佈此模型反覆項目以供應用程式使用之前，請先進行測試。

在效能計量上方，按一下 [快速測試]**。
在 [影像 URL]** 方塊，輸入 https://aka.ms/giraffe 並按一下 [快速測試影像 (➔)]** 按鈕。
檢視模型傳回的預測 - giraffe 的可能性分數應會最高，如下所示：
關閉 [快速測試]** 視窗。

發佈影像分類模型

現在，您已準備好發佈已定型的模型，並從用戶端應用程式使用此模型。

按一下 [🗸 發佈]**，使用下列設定發佈已定型的模型：
- 模型名稱：動物
- 預測資源：您先前建立的 Azure AI 服務或自訂視覺預測資源。
發佈之後，按一下 [預測 URL]**(🌐) 圖示，以查看使用已發佈的模型所需的資訊。

之後，您需要適當的 URL 與 Prediction-Key 值，才能從影像 URL 取得預測，因此請讓此對話方塊保持開啟，並繼續進行下一個工作。

準備用戶端應用程式

為了測試自訂視覺服務的功能，我們會使用在 Azure 上的 Cloud Shell 中執行的簡單命令列應用程式。

切換回包含 Azure 入口網站的瀏覽器標籤，然後選取頁面頂端搜尋方塊右側的 Cloud shell ([>_]) 按鈕。這會在入口網站底部開啟 Cloud Shell 窗格。

第一次開啟 Cloud Shell 時，系統可能會提示您選擇要使用的殼層類型 (Bash 或 PowerShell)。如果是這樣，請選取 PowerShell。

如果系統提示您為 Cloud Shell 建立儲存體，請確定您已指定訂閱，然後選取建立儲存體。然後等候一分鐘左右，讓系統建立儲存體。

當 Cloud Shell 就緒時，看起來應該會像這樣：

提示：請確定 Cloud Shell 窗格左上方所指出的殼層類型已切換為 PowerShell。若其類型為 Bash，請使用下拉式功能表切換為 PowerShell。

請注意，如需調整 Cloud Shell 的大小，您可以拖曳窗格頂端的分隔線，或者使用窗格右上方的 —、◻、X 圖示，分別將窗格最小化、最大化或關閉窗格。如需使用 Azure Cloud Shell 的詳細資訊，請參閱 Azure Cloud Shell 文件。
在命令殼層中，輸入下列命令來下載此練習的檔案，並將其儲存在名為 ** ai-900 ** 的資料夾中 (如果資料夾已經存在，則刪除該資料夾後)
```
 rm -r ai-900 -f
 git clone https://github.com/MicrosoftLearning/AI-900-AIFundamentals ai-900
```
下載檔案之後，輸入下列命令以變更為 ** ai-900 ** 目錄，並編輯此練習的程式碼檔案：
```
 cd ai-900
 code classify-image.ps1
```
請注意此命令如何開啟編輯器，如下圖：

提示：您可以使用 Cloud Shell 命令列與程式碼編輯器之間的分隔線來調整窗格的大小。
不用太過顧慮程式碼的細節。重要的是，它以一些程式碼開頭來指定自訂視覺模型的預測 URL 與金鑰。您需要更新這些，以便其餘程式碼使用您的模型。

從自訂視覺專案的瀏覽器索引標籤開啟的對話方塊取得預測 URL 以及預測金鑰。 如果您有影像 URL，則需要使用這些版本。

使用這些值來取代程式碼檔案中的 YOUR_PREDICTION_URL 及 YOUR_PREDICTION_KEY 預留位置。

貼上預測 URL 與預測金鑰值之後，前兩行程式碼看起來應該類似這樣：
```
 $predictionUrl="https..."
 $predictionKey ="1a2b3c4d5e6f7g8h9i0j...."
```
對程式碼中的變數進行變更之後，請按 ** CTRL+S ** 儲存檔案。然後按 CTRL+Q 關閉程式碼編輯器。

測試用戶端應用程式

現在您可以使用範例用戶端應用程式，根據其所包含的動物來分類影像。

在 PowerShell 窗格中，輸入下列命令來執行程式碼：
```
 ./classify-image.ps1 1
```
此程式碼會使用您的模型來分類下列影像：
檢閱預測，值應該會是 giraffe。
現在讓我們嘗試另一個影像。執行此命令：
```
 ./classify-image.ps1 2
```
這次會分類下影像：
確認模型將此影像分類為 elephant。
讓我們再試一張。執行此命令：
```
 ./classify-image.ps1 3
```
完成的結果看起來如同此影像：
確認模型將此影像分類為 lion。

如無意外，您的影像分類模型已正確分類這三張影像。