作者|Jesus Larrubia编译|VK来源|Towards Data Science原文链接：https://medium.com/mlearning-ai/custom-vision-compact-models-62ac5a2e2687

    这篇文章中将重点讨论定制“紧凑”模型它们是什么？与标准展厅模型模型相比，它们的性能如何？紧凑Custom Vision的一个非常有趣的功能是可以导出模型的简化版本，以便在Azure环境之外的小型（IoT）设备或移动电话中运行。

    当安装在一个设备中时，它将允许在没有互联网连接的情况下快速推断（因为它不需要访问外部API）因此，应用程序可以提供实时功能和/或离线支持展厅模型工作原理在自定义视图中使用紧凑模型与我们在使用其他模型类型时所使用的方法没有什么不同。

    事实上，这是完全一样的，除了几个细节我们需要考虑：选择“compact”创建新模型时，每个域都有一个轻量级版本。不用担心，你可以稍后设置此选项，以便在重新训练模型后仍然可以导出它。

    按照标准机制上传图像、标记和训练模展厅模型型当你对结果满意时，从“性能”选项卡导出模型在构建这个特征时，微软似乎很慷慨，这样你就可以导出模型，以便在大量不同格式的环境中使用，包括著名的开源平台TensorFlow。

    从那时起，模型将做你喜欢的你可以用更多的图像在本地重新训练它或者在外部系统中运行它测试模型我们将测试我们模型的独立格式的性能为了展厅模型遵循完全相同的步骤，我们再次运行脚本，用2500个图像来训练模型经过2次迭代，模型呈现以下行为：。

    与标准模型相比（准确度85.6%，召回率79.5%，AP值89.9%），AP、准确度尤其是召回值有较大的下降现在，让我们检查模型的性能，并通过使用单独的验证数据集检索API推断来模拟它在生产环境中的工作展厅模型方式…。

    总计：500正确预测：285失败的预测：215精度：0.571召回：0.57平均预测时间：0.29秒…可以和以前的结果比较…总计：500正确预测：363失败的预测：137精度：0.75召回率：0.73平均预测时间：0.53秒

    可以观察到，精确度和召回指标显示出额外的损失另一方面，平均预测时间已展厅模型经显著减少（并且当模型安装在设备上时，差异将更加显著，从而节省网络延迟时间）这些值是否足够取决于应用程序的要求，但请记住，此时可以采用不同的策略来改进结果（例如使用更大的数据集训练模型或预处理图像以找到最佳图像配置）。

    使用导出的模型最后，我们将探讨Tensorflow导出模型的格式。