图像分类入门指南

早在2015年，当谷歌在Google相册中推出"搜索个人照片"功能时，全世界都见证了一个概念验证：计算机视觉软件能够以人类标准精确分类图像。

用户不再需要手动标记照片来分类他们的视觉内容，并且能够以他们从未想过的新方式探索自己的图片收藏。例如，在平台上输入"phone"会显示所有包含手机的照片。

图像分类使之成为可能。

图像分类在当时是一项颠覆性技术，如今依然具有创新性。从遥感技术到医学影像，它都是众多革命性产品和功能的核心。然而，这个术语至今仍笼罩着一层模糊性。

在本指南中，我们将深入探讨图像分类——它的含义、工作原理以及帮助您入门的主要步骤。

什么是图像分类？

图像分类是为给定图像或图像组中的向量分配一个（单标签分类）或多个（多标签分类）标签的任务。如果您曾好奇Google Photos如何识别您、家人和朋友的面孔，这正是图像分类的功劳。

以下是一个图像分类的示例:

单标签分类 vs 多标签分类

• 在单标签分类中，每张图像只有一个标签或标注。您的AI模型将仅基于单一标准对每张图像进行分析和分类。例如，根据图像是否包含狗来进行分类。
• 在多标签分类任务中，您可以编程训练AI模型根据多个标签对图像进行分类，部分图像可能同时具备您设置的所有标签。一个典型例子是电影海报分类，一张电影海报可能同时属于多个电影类型。

图像分类的类型

根据计算机和分析师在分类过程中的交互方式，分类可分为两种类型：监督式和非监督式。

监督分类

监督分类依赖于用户在给定图像中选择代表特定类别的样本像素，然后指导图像处理软件将这些训练区域作为参考，对图像中的所有其他像素进行分类。训练区域或训练集的选择基于用户的知识。

用户还需设定其他像素需要达到的相似度阈值才能被归为一组。这些界限通常基于训练区域的光谱特征。确定图像被分类的类别数量同样由用户负责。

监督分类使用分类算法和回归技术来构建预测模型。这里的算法包括线性回归、神经网络、决策树和逻辑回归。

无监督分类

在无监督分类中，具有共同特征的像素分组是基于对图像的软件分析，无需用户提供样本类别。

这是一个完全基于计算机的过程，设备使用特定技术来确定哪些像素相关并将它们分组到不同类别中。无监督学习中最常用的算法包括异常检测、神经网络和聚类分析。

虽然用户不直接参与分类过程，但仍需要一定程度的用户输入。他们需要指定软件将使用的算法以及期望的输出类别数量。

图像分类的工作原理

在计算机视觉领域，一切皆以像素形式存在。计算机将每张图像视为矩阵数组，而矩阵大小取决于图像分辨率。

在图像分类方面，计算机通过算法分析统计数据，自动将像素分组到特定类别（也称为类）。这些算法将图像分离成一系列最显著的特征或特性，以便最终分类器能更清晰地理解：

• 图像所代表的内容，以及
• 应该标注到哪个类别。

特征提取过程是图像分类中最关键的步骤，也是后续步骤的基础。此外，一个优化良好的分类数据集相比类别不平衡、图像和标注质量差的劣质数据集，效果总是更好。

请注意，准确性在此极为关键，图像分类（尤其是监督分类）完全依赖于输入算法的数据。

图像分类的结构

以下是典型图像分类任务的结构要点：

1. 图像预处理：该过程抑制不必要的失真并增强重要数据特征，以改善图像数据质量。通过这种方式，计算机视觉模型能够生成更准确的结果。
2. 目标检测： 该过程旨在定位物体，需要对图像进行分割并识别目标物体的位置。
3. 特征提取与模型训练： 模型训练是AI模型从数据集中学习特征的过程。它利用统计或深度学习方法识别图像中最具意义的模式，以及特定类别独有的特征，从而使AI模型更容易区分不同类别。
4. 对象分类： 该过程通过适当的图像分类技术将检测到的对象归类到预定义的类别中，用于比较图像模式与目标模式。

我们将在下文更详细地讨论这些图像分类流程。

如何开始使用图像分类

以下是图像分类流程的逐步解析：

步骤1：构建您的数据集

在这里，您将创建一个高质量的图像分类数据集。每个数据集由图像和一组标签组成，每张图像有一个或多个标签。这里的挑战在于确保您的数据集平衡且无偏差。

数据集构建始于图像。要获取这些视觉数据，您需要从互联网上抓取或安装图像采集系统，然后对每张图像进行标注并提取相关信息。

步骤2：通过预处理准备数据

如前所述，这一步的重点是消除图片中不需要的元素并增强关键部分，以便计算机视觉模型能更准确地使用它。

可以将其视为通过去除重复数据、裁剪相关数据以及过滤不需要的异常值来清理数据，从而帮助AI模型更快地处理数据。数据清理还能帮助您检测和更新缺失数据，修复结构错误，确保所有数据集都得到妥善组织。

确保您的数据组织得当，以实现准确的图像分类。否则，您可能会遇到不必要的训练过程减慢或得到错误结果的情况。

为避免这种情况，您可以使用以下图像预处理技术：

灰度转换

灰度处理涉及将彩色图像转换为黑白版本。

它减少了图像中的像素数量，从而降低了机器学习算法的计算复杂度。由于计算机识别图像无需彩色，灰度转换被强烈推荐作为预处理步骤。

数据重新缩放

数据重缩放或归一化是将图像数据像素(强度)投影到预定义范围(通常为(-1, 1)或(0, 1))的过程，适用于不同数据格式，通过归一化所有图像，您可以对其应用相同的算法。

对数据进行归一化处理可确保所有图像的公平性，使每张图像都能平等地贡献到总损失中。反之，若同时使用高像素范围和低像素范围的图像，将分别产生强损失和弱损失。

数据增强

在数据增强中，通过对现有数据进行微小改动来增加其多样性——整个过程无需使用任何新的数据输入。

您可以使用标准的数据增强技术，如旋转、裁剪、水平和垂直翻转、亮度调整以及剪切等，来扩大数据集。执行这些操作有助于防止神经网络学习无关特征，从而提升模型性能。

图像标准化

标准化图像涉及对图像进行缩放和再处理，使其具有相似的高度和宽度。它会重新调整数据，使其标准差为1（单位方差）且均值为0，最终提升数据质量和一致性。

使用以下任意预处理技术，使您的数据相关且精炼，以获得高质量、光照良好且无重复的图像。

步骤3：目标检测

顾名思义，目标检测步骤的核心是对图像进行分割以确定给定对象的位置。

让我们通过一个例子来解释——假设你有一组时尚图片，希望算法能定位不同类型的服装，如牛仔裤、裙子、T恤和衬衫。

在这种情况下，可以训练AI模型识别图像上半部分的T恤和衬衫，以及下半部分的牛仔裤和裙子。

步骤4：对象识别与训练

在这里，深度学习算法将识别图片中的模式以及特定标签独有的特征。您的AI模型随后将从该数据集中学习，以生成更准确的结果。

延续我们之前的时尚示例，您可以为图片添加更细粒度的标签，比如短袖、长袖、中长款和长款。

在标注完数据后，您需要训练AI模型以准确分析和识别数据。

为此，请向每个标签上传大量数据，为AI模型提供学习信息。这些数据将作为AI模型的训练素材。可以这样理解：上传的训练数据越多，模型对每张图像内容的判断就会越准确。

您也可以使用交互式图像分类模板来训练AI模型识别图像中的内容类型。以下是Label Studio提供的图像分类模板：

步骤5：对象分类

此时，您已拥有一个能够根据不同标准准确分类图像的AI模型。

接下来，算法将采用适当的分类方法比较图片模式与期望模式，从而准确地将观察到的项目归类到预定义的类别中。您在步骤4中添加的标签将在此处派上用场，帮助算法识别实际图片中的观察项。

步骤6：连接到AI工作流

将您的图像分类AI模型连接到AI工作流。

这将定义输入（新数据的来源）和输出（数据分类后的处理方式）。例如，您的数据可能来自新入库的股票，而输出可能是将数据添加到Excel中。

Label Studio 方法

Label Studio 是一款完全协作式数据标注工具，可简化和优化多数据集的标注与探索流程。通过该工具，无论数据格式如何多样，您都能执行各类标注任务。

此外，该平台还集成了机器学习模型，用于提供标签预测（适用于预标注）或执行持续主动学习。

在图像分类方面，Label Studio能帮助您更好地训练AI模型，快速高效地准确检测图像中最突出的特征或特性，并将其归类到预定义的类别中。

以下是实现这一目标的一些关键功能的快速概述：

• 轻松与您的机器学习/人工智能流程集成，配备高级筛选功能以准备和管理数据集
• 通过集成ML后端，利用预测结果辅助和加速标注流程，节省宝贵时间。
• 允许您执行图像分割标注
• 促进与标注团队的协作，快速为自定义YOLO目标检测模型标记训练数据集

想了解更多信息？快来体验Label Studio，亲身体验为何我们是最受欢迎的开源标注平台。或者您也可以在此试用我们托管的企业版。