全部產品
Search
文件中心

Platform For AI:圖片分類

更新時間:Jul 23, 2026

在Model Gallery中,您可以直接部署預訓練圖片分類模型,也可以使用自己的資料集進行微調訓練,獲得定製化類別的分類模型。

前提條件

已建立OSS Bucket儲存空間,具體操作請參見控制台建立儲存空間。

一、進入模型詳情頁面

  1. 進入Model Gallery頁面。

    1. 登入PAI控制台。

    2. 在頂部左上方根據實際情況選擇地區。

    3. 在左側導覽列選擇工作空间列表,單擊指定工作空間名稱,進入對應工作空間內。

    4. 在左側導覽列選擇快速开始 > Model Gallery。

  2. 在Model Gallery首頁,單擊计算机视觉地區下的图片分类,然後單擊ViT映像分類-通用模型卡片,進入模型詳情頁面。

    image

    模型列表展示了來自多個開源社區的主流模型,可選擇適合您業務需求的模型。

    • 參數量越大,模型效果越好,但所需訓練資料量和線上服務費用也越高。

    • 大多數模型標註了預訓練資料集。資料集與您的使用情境越接近,部署和微調效果越好。選擇模型後可在詳情頁查看預訓練資料集資訊。

二、直接部署模型

Model Gallery提供的cv_vit-base_image-classification_ImageNet-labels模型來源於ModelScope提供的ViT映像分類-通用模型。它是基於Transformer ViT Base架構的圖片分類模型,在ImageNet-1K資料集上完成圖片分類訓練,可以直接用於ImageNet-1K標籤覆蓋到的圖片分類任務。您可以通過Model Gallery將此模型直接部署到EAS,建立一個模型服務,用於圖片分類的推理任務。具體操作步驟如下:

  1. 部署服務。

    1. 在模型詳情頁面,單擊模型部署。

    2. 確認模型服务信息和资源部署信息。

      Model Gallery已根據模型特點預置了計算資源和服務名稱,本案例使用預設配置。您也可以根據業務需要修改配置。如何配置參數,詳情請參見部署模型和調試模型。

    3. 單擊部署,並在计费提醒對話方塊中,單擊确定。

      頁面自動跳轉到服务详情頁面,在基本信息地區查看模型服務部署狀態。當状态變為运行中時,表明模型服務已部署成功。

  2. 調用模型服務。

    部署成功後,通過HTTP API調用模型服務發送預測請求。模型服務接收Base64編碼的圖片,返回JSON格式的預測結果。

    1. 在服务详情頁面的资源信息地區,單擊查看调用信息。

      image

    2. 在调用信息對話方塊的公网地址调用頁簽中,查看公網調用的访问地址和Token,並儲存到本地。

    3. 使用Python Requests庫調用模型服務,範例程式碼如下。

      import requests
      import base64
      
      image_path = "<PathToLocalImage>"
      url = "<PredictionServiceURL>"
      token = "<PredictionServiceAccessToken>"
      
      
      def encode_file_to_base64(f):
          with open(f, "rb") as file:
              encoded_string = base64.b64encode(file.read())
              base64_str = str(encoded_string, "utf-8")
              return base64_str
      
      base64_string = encode_file_to_base64(image_path)
      request_body = {
          "image": base64_string
      }
      
      headers = {"Authorization": token}
      resp = requests.post(url=url, headers=headers, json=request_body)
      
      print(resp.content.decode())
      print("status code:", resp.status_code)
      

      其中:token和url替換為上述步驟中查詢到的Token和訪問地址;image_path替換為本地圖片路徑,圖片格式為.png或.jpg。

      調用成功,模型服務將返回最有可能的5個圖片分類和每個分類的得分。結果樣本如下。

      {
        "scores": [
          0.4078965485095978,
          0.24673610925674438,
          0.1930493414402008,
          0.0026617543771862984,
          0.0009246605914086103
        ],
        "labels": [
          "tiger cat",
          "tabby, tabby cat",
          "Egyptian cat",
          "lynx, catamount",
          "tiger, Panthera tigris"
        ]
      }

三、微調訓練模型

cv_vit-base_image-classification_ImageNet-labels模型適用於ImageNet-1K覆蓋標籤的圖片分類任務。當所需分類的圖片領域不在ImageNet-1K標籤中時,可提供少量標註圖片進行微調,獲得定製領域的分類模型。

  1. 準備資料。

    1. 按照以下目錄結構準備資料集:

      模型支援使用OSS上的圖片資料進行訓練。您需要通過目錄結構組織資料集,每一個目錄名是一個類別,相應類別的圖片都存放在類別目錄的一級子目錄下。例如訓練資料集的輸入為oss://{YourOssBucket}.{OssEndpoint}/{PathToTrainData}/,則該目錄下的資料結構為:

      ├── category-1
      │   ├── image1.jpeg
      │   └── image2.jpeg
      ├── category-2
      │   ├── image3.jpeg
      │   └── image4.jpeg
      |...
      |...
      └── category-n
          ├── imagexxx.jpeg
          └── imageyyy.jpeg

      為獲得更好的模型,建議同時按上述目錄結構準備驗證資料集,用於評估效能和調整訓練參數。

    2. 將資料集按照上述目錄結構上傳到OSS儲存空間。如何上傳資料到OSS儲存空間,請參見上傳檔案。

  2. 提交訓練作業。

    1. 準備好使用的資料集後,您可以在模型详情頁面單擊训练,配置训练数据集、验证数据集和输出路径。

      Model Gallery已根據模型特點預置了計算資源和超參數,可使用預設值,也可按需修改。如何配置參數,請參見模型部署及訓練。

      說明

      cv_vit-base_image-classification_ImageNet-labels的模型預設使用MiniImageNet-100資料集進行微調訓練,方便您進行試用體驗。

    2. 單擊训练。

      image

      頁面將自動跳轉至任务详情頁面。您可以查看訓練任務的執行進度、任務日誌以及模型的評估資訊。當訓練任務成功運行後,訓練作業產生的模型將儲存在上述步驟配置的输出路径中。

      image

  3. 部署微調模型。

    訓練好的模型會自動註冊到AI資產-模型管理中,您可以查看或部署對應的模型,詳情請參見註冊及管理模型。