公众号：
自定义视觉是一种认知服务，用于生成、部署和改进自己的图像分类器。自定义视觉允许你确定要应用的标签，比如要对一组水果进行识别，你需要对待检测的水果打上诸如“苹果”“香蕉”“草莓”的标签。
自定义视觉服务使用机器学习算法为图像应用标签。 你作为开发人员必须提供多组图像（例如苹果，香蕉，草莓），其中包含或缺少相关的特征。 请在提交时自行标记图像（标记该水果是香蕉还是苹果）， 然后，此算法会针对该数据进行训练并计算其自己的准确度，方法是针对这些相同的图像自行进行测试。 训练算法以后，即可对其进行测试、重新训练，并最终使用它根据应用的需求对新图像分类。 也可导出模型本身，方便脱机使用。
可以将自定义视觉功能分为两种功能。 图像分类可将一个或多个标签应用到图像。 对象检测与之类似，但还在图像中返回坐标，坐标中可以找到应用的标签。
自定义视觉服务经过优化，可以快速识别图像之间的主要差异，因此你可以使用少量数据开始原型制作。 开始时，每个标签通常可以包含 50 个图像。 此服务不适用于检测图像中的细微差异（例如，在质量保证方案中检测细微裂纹或凹陷）。
另外，可以从多种自定义视觉算法中进行选择，这些算法已针对包含某些主题内容（例如特征点或零售商品）的图像进行了优化。
选择自定义视觉进行创建，注意，目前自定义视觉仅在Global Azure可用。
训练和预测尽量选择最靠近最终使用位置的区域。
创建完成后，点击自定义视觉门户进入控制台。
点击新建项目，创建一个“对象检测类型的项目”
注: 本案例中的图像均来自互联网。
对图像的一些基本要求：
为了有效地训练模型，请使用具有视觉多样性的图像。 选择在以下方面有所不同的图像：
此外，请确保所有训练图像满足以下条件：
添加“mask”和“nomask”两个Tag
依次点击未标记的图像，在口罩部位（建议保留耳朵，眼睛，鼻子等特征）标记“mask”或“nomask”；
标记完成一张后，点击右侧的翻页箭头直至所有图像都标记完成。
点击训练按钮，开始训练。
完成训练后，将计算并显示模型的性能。 自定义视觉服务使用提交用于训练的图像来计算精度、召回率和平均精度。 精度和召回率是检测器有效性的两个不同度量值：
请注意“性能”选项卡左窗格上的“概率阈值”滑块 。这是预测被视为正确时所需具有的置信度（用于计算精度和召回率）。
当使用较高的概率阈值来解释预测调用时，它们往往会以高精度返回结果，但以召回率为代价 — 检测到的分类是正确的，但许多仍未被检测到。 使用较低的概率阈值则恰恰相反 — 实际分类会被检测到，但该集合内有更多误报。 考虑到这一点，应该根据项目的特定需求设置概率阈值。 稍后，在客户端接收预测结果时，应使用与此处所用概率阈值相同的概率阈值。
每次训练检测器时，都会创建一个新的迭代，其中包含其自身的已更新性能指标 。 可以在“性能”选项卡的左窗格中查看所有迭代 。在左侧窗格中，还可以找到“删除”按钮，如果迭代已过时，可以使用该按钮删除迭代 。 删除迭代时，会删除唯一与其关联的所有图像。
选择预测资源进行发布
获取预测资源信息
在Postman中测试
检查预测结果
原文：https://www.cnblogs.com/shuzhenyu/p/12286689.html