Общие сведения о классификации

  • 3 мин

Можно использовать метод классификации машинного обучения для прогнозирования категории или класса, к которым относится объект. Классификационные модели машинного обучения используют набор входных данных, которые мы называем характеристиками, для вычисления вероятностной оценки попадания в каждый возможный класс и прогнозирования метки, указывающей наиболее вероятный класс для объекта.

Например, характеристики цветка могут включать в себя размеры его лепестков, стебля, чашелистиков и другие поддающиеся количественной оценке признаки. Модель машинного обучения можно обучить, применив к этим измерениям алгоритм, который вычисляет наиболее вероятный вид цветка — его класс.

Diagram that shows a classification model with flower measurements as features and species as classes.

Diagram that shows flower classification based on measurements as features and species as classes.

Общее представление о классификации изображений

Классификация изображений — это метод машинного обучения, в котором классифицируемым объектом является изображение, например фотография.

Чтобы создать модель классификации изображений, необходимы данные, состоящие из компонентов и их меток. Имеющиеся данные представляют собой набор классифицированных изображений. Цифровые изображения состоят из массива значений пикселей, которые используются в качестве характеристик для обучения модели на основе известных классов изображений.

Screenshot of classifying photos based on pixels as features and fruit as classes.

Модель обучается сопоставлять шаблоны в значениях пикселей с набором меток классов. После обучения модели вы сможете использовать ее с новыми наборами характеристик для прогнозирования неизвестных значений меток.

Служба Azure "Пользовательское визуальное распознавание"

Большинство современных решений для классификации изображений основано на методах глубокого обучения, которые используют сверточные нейронные сети (CNN) для выявления шаблонов в пикселях, соответствующих определенным классам. Обучение эффективной CNN — сложная задача, требующая серьезных знаний в области обработки и анализа данных, а также машинного обучения.

Распространенные методы, используемые для обучения моделей классификации изображений, инкапсулированы в службу azure AI Пользовательское визуальное распознавание в Microsoft Azure, что упрощает обучение модели и публикацию ее в качестве программной службы с минимальными знаниями о методах глубокого обучения. Вы можете использовать azure AI Пользовательское визуальное распознавание для обучения моделей классификации изображений и развертывания их в качестве служб для использования приложений.