我們可以自己創建dataset和model，當然，我們也可以使用salesforce提供給我們的models。Prebuilt Image Models可以不用我們自己創建dataset，只要我們有有效的JWT token就可以。Prebuilt Image Models包括一下四個model：

• Food Image Model

• General Image Model

• Scene Image Model

• Multi-Label Image Model

Food Image Model

該模型用於分類不同的食物,包含500個標籤。你對這個模型分類圖像就像一個自定義模型;而是使用自定義模型的modelId,你需要指定modelId為FoodImageClassifier。使用如下命令調用該model：

curl -X POST -H "Authorization: Bearer <TOKEN>" -H "Cache-Control: no-cache" -H "Content-Type: multipart/form-data" -F "sampleLocation=http://einstein.ai/images/foodimage.jpg" -F "modelId=FoodImageClassifier" https://api.einstein.ai/v2/vision/predict

如果你上傳一張披薩的圖片，那麼它將返回一個如下的JSON：

{ "probabilities": [{ "label": "pizza", "probability": 0.4895147383213043},{ "label": "flatbread", "probability": 0.30357491970062256},{ "label": "focaccia", "probability": 0.10683325678110123},{ "label": "frittata", "probability": 0.05281512811779976},{ "label": "pepperoni", "probability": 0.029621008783578873}], "object": "predictresponse"}

General Image Model

該模型用於分類各種圖像和包含成千上萬的標籤。你可以分類圖像對該模型就像一個定製的模型;而是使用自定義模型的modelId,你需要指定modelId為GeneralImageClassifier。使用如下命令調用該model：

curl -X POST -H "Authorization: Bearer <TOKEN>" -H "Cache-Control: no-cache" -H "Content-Type: multipart/form-data" -F "sampleLocation=http://einstein.ai/images/generalimage.jpg" -F "modelId=GeneralImageClassifier" https://api.einstein.ai/v2/vision/predict

如果你上傳一張樹蛙的圖片，返回的JSON如下：

{ "probabilities": [{ "label": "tree frog, tree-frog", "probability": 0.7963114976882935},{ "label": "tailed frog, bell toad, ribbed toad, tailed toad, Ascaphus trui", "probability": 0.1978749930858612},{ "label": "banded gecko", "probability": 0.001511271228082478},{ "label": "African chameleon, Chamaeleo chamaeleon", "probability": 0.0013212867779657245},{ "label": "bullfrog, Rana catesbeiana", "probability": 0.0011536618694663048}], "object": "predictresponse"}

Scene Image Model

該模型用於各種室內和室外的場景進行分類。你可以分類圖像對該模型就像一個定製的模型;而是使用自定義模型的modelId,你需要指定modelId為SceneClassifier。使用如下命令調用該model：

curl -X POST -H "Authorization: Bearer <TOKEN>" -H "Cache-Control: no-cache" -H "Content-Type: multipart/form-data" -F "sampleLocation=http://einstein.ai/images/gym.jpg" -F "modelId=SceneClassifier" https://api.einstein.ai/v2/vision/predict

如果你上傳一張室內體育館的圖片，那麼返回的JSON如下：

{ "probabilities": [{ "label": "Gym interior", "probability": 0.996387},{ "label": "Airport terminal", "probability": 0.0025247275},{ "label": "Office or Cubicles", "probability": 0.00049142947},{ "label": "Bus or train interior", "probability": 0.00019321487},{ "label": "Restaurant patio", "probability": 0.000069430374}], "object": "predictresponse"}

Multi-Label Image Model

這多標記模型用於各種對象進行分類。你可以分類圖像對該模型就像一個定製的模型;而是使用自定義模型的modelId,你需要指定modelId為MultiLabelImageClassifier。使用如下命令調用該model：

curl -X POST -H "Authorization: Bearer <TOKEN>" -H "Cache-Control: no-cache" -H "Content-Type: multipart/form-data" -F "sampleContent=@C:\Data\laptop_and_camera.jpg" -F "modelId=MultiLabelImageClassifier" https://api.einstein.ai/v2/vision/predict

當你使用這一模型,模型中包含的所有類的響應。多標記模型用於檢測多個對象在一個圖像,你會看到第一個返回的類概率最高的。該response是簡潔的截斷。否則返回所有類多標記模型。並且按概率從大到小排列：

{ "probabilities": [{ "label": "laptop", "probability": 0.96274024},{ "label": "camera", "probability": 0.39719293},{ "label": "BACKGROUND_Google", "probability": 0.2958626},{ "label": "cup", "probability": 0.09132507},{ "label": "stapler", "probability": 0.081633374}], "object": "predictresponse"}

我個人覺得SF提供給我們的model不是很符合我們的工作需求，如果是給國內的公司用，作用不是很大，基本上都需要我們自己創建dataset和model。如果你工作中遇到了，你可以先用prebuilt model試一下，看看效果。建議大家自己創建，自己訓練，更加符合我們恩需求。

--希望以後可以和大家一起學習，一起成長--