TFL Classify(圖像分類)

TFL Classify(圖像分類)通過算法和標(biāo)識(shí)對(duì)你手機(jī)當(dāng)中的相片盡心分類，雖然現(xiàn)在還沒有蘋果分類那么的精確和智能，但是已經(jīng)能夠幫助你對(duì)手機(jī)當(dāng)中的相片進(jìn)行一定的處理，感興趣的話就快來下載這款TFL Classify(圖像分類)吧！

TFL Classify軟件介紹

這個(gè)是我編譯的谷歌TensorFlowLite的Image classification（圖像分類）

什么是圖像分類？

機(jī)器學(xué)習(xí)的常見用途是識(shí)別圖像代表什么。例如，我們可能想知道下面的照片中出現(xiàn)了什么類型的動(dòng)物。

預(yù)測(cè)圖像表示什么的任務(wù)稱為圖像分類。訓(xùn)練圖像分類模型以識(shí)別各種類型的圖像。例如，可以訓(xùn)練模型以識(shí)別代表三種不同類型動(dòng)物的照片：兔子，倉(cāng)鼠和狗。

當(dāng)我們隨后提供新圖像作為模型的輸入時(shí)，它將輸出代表它所訓(xùn)練的每種動(dòng)物類型的圖像的概率。示例輸出可能如下：

動(dòng)物類型可能性兔子0.07倉(cāng)鼠0.02狗0.91

基于輸出，我們可以看到分類模型已經(jīng)預(yù)測(cè)圖像具有代表狗的高概率。

相關(guān)介紹

培訓(xùn)，標(biāo)簽和推理

在訓(xùn)練期間，圖像分類模型被饋送圖像及其相關(guān)標(biāo)簽。每個(gè)標(biāo)簽都是模型將學(xué)習(xí)識(shí)別的不同概念或類的名稱。

給定足夠的訓(xùn)練數(shù)據(jù)（通常每個(gè)標(biāo)簽數(shù)百或數(shù)千個(gè)圖像），圖像分類模型可以學(xué)習(xí)預(yù)測(cè)新圖像是否屬于它已被訓(xùn)練的任何類。這種預(yù)測(cè)過程稱為推理。

要執(zhí)行推理，圖像將作為輸入傳遞給模型。然后，模型將輸出0到1之間的概率數(shù)組。對(duì)于我們的示例模型，此過程可能如下所示：

→[0.07,0.02,0.91]

輸出中的每個(gè)數(shù)字對(duì)應(yīng)于我們的訓(xùn)練數(shù)據(jù)中的標(biāo)簽。將我們的輸出與模型訓(xùn)練的三個(gè)標(biāo)簽相關(guān)聯(lián)，我們可以看到模型預(yù)測(cè)圖像代表狗的概率很高。

標(biāo)簽可能性兔子0.07倉(cāng)鼠0.02狗0.91

您可能會(huì)注意到所有概率（對(duì)于兔子，倉(cāng)鼠和狗）的總和等于1.這是具有多個(gè)類的模型的常見輸出類型（ 有關(guān)詳細(xì)信息，請(qǐng)參閱 Softmax）。

結(jié)果模棱兩可

由于概率總是總和為1，如果圖像沒有被自信地識(shí)別為屬于模型被訓(xùn)練的任何類，則可以看到概率分布在整個(gè)標(biāo)簽中而沒有任何一個(gè)值明顯更大。

例如，以下內(nèi)容可能表示結(jié)果不明確：

標(biāo)簽可能性兔子0.31倉(cāng)鼠0.35狗0.34用途和限制

我們提供的圖像分類模型對(duì)單標(biāo)簽分類很有用，這意味著可以預(yù)測(cè)圖像最有可能表示的單個(gè)標(biāo)簽。他們經(jīng)過培訓(xùn)可以識(shí)別1000類圖像。有關(guān)類的完整列表，請(qǐng)參閱模型zip中的標(biāo)簽文件 。

如果要訓(xùn)練模型以識(shí)別新類，請(qǐng)參閱 自定義模型。

對(duì)于以下用例，您應(yīng)該使用不同類型的模型：

預(yù)測(cè)圖像中一個(gè)或多個(gè)對(duì)象的類型和位置（請(qǐng)參閱對(duì)象檢測(cè)）

預(yù)測(cè)圖像的構(gòu)圖，例如主題與背景（請(qǐng)參閱分段）

在目標(biāo)設(shè)備上運(yùn)行入門模型后，您可以嘗試使用不同的模型，以找到性能，精度和模型大小之間的最佳平衡。有關(guān)指導(dǎo)，請(qǐng)參閱 選擇其他模型。

中文名：TFL Classify

包名：org.tensorflow.lite.examples.classification

MD5值：72c144be6ce43dcc6b9855bd437481e9