图像识别是识别图像或视频中的对象或特征的过程。它用于许多应用,如缺陷检测,医学成像和安全监控。
图像识别可以加快繁琐的任务,并比手工图像检查更快或更准确地处理图像。在许多应用中,图像识别是一项关键技术,也是深度学习应用的主要驱动因素,如:
图像识别是这些应用的核心技术。它在图像中识别物体或场景,并利用这些信息作为更大系统的一部分做出决策。图像识别正在帮助这些系统变得更加敏感,本质上通过提供对系统的洞察力来实现更好的决策。
图像识别的方法有很多,包括机器学习和深度学习技术。您使用的技术取决于应用程序,但一般来说,问题越复杂,您就越有可能想要探索深度学习技术。
准备培训数据:从一系列图像开始并将其编译为他们的相关类别。这还可以包括任何预处理步骤,以使图像更加准确的模型更加一致。
创建深度学习模式:虽然您可以从头构建一个深度学习模型,但最好从一个预训练模型开始,您可以将其用作应用程序的起点(了解更多关于pretrained模型.
训练模型:模型培训涉及将测试数据呈现给模型。然后,该模型多次迭代数据,并自动学习与图像相关的最重要的功能。由于培训继续,模型将学习更复杂的功能,直到模型可以在训练集中的图像类之间准确破译。
测试数据:测试模型之前没有看到的新数据,看看模型认为图像是什么。如果结果不是您所期望的,那么重复这四个步骤,直到精确度更容易接受为止。
深度学习技术听起来可能很复杂,但简单的例子是一个很好的入门和学习技术的方法。
提示:深度学习技术对于图像识别是流行的,因为它们提供了高度准确和强大的结果。深度学习倾向于以大量的训练数据最佳地工作,以及传输学习的技术可以简化图像识别工作流程。深度学习工具箱™提供一个框架,用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。
图像识别的机器学习方法包括从图像中识别和提取关键特征,并将它们作为机器学习模型的输入。
您可以使用各种机器学习算法和特征提取方法,它们提供多种组合来创建精确的对象识别模型。
提示:使用机器学习进行目标识别提供了选择特征和分类器的最佳组合进行学习的灵活性。它可以用最少的数据得到精确的结果。统计和机器学习工具箱™提供用于描述,分析和模型的功能和应用程序数据。
图像识别:深度学习与机器学习
你如何知道何时使用深度学习或机器学习进行图像识别?在高水平上,区别在于机器学习的手动选择特征或深度学习的自动学习特征。
除了深度学习和机器学习外,许多经典的图像处理方法在某些应用中对图像识别非常有效。图像处理技术往往非常适合“基于像素”的识别应用,例如:
马铃薯®简化了图像识别的困难部分。
您可以使用Onnx™(开放式神经网络交换)导入和导出功能等框架,从框架中与网络和网络架构互操作.PruceFlow™,Keras,Pytorch和Caffe2。