图像分类概述

图像分类是计算机视觉的一个分支，旨在将图像划分到预定义的类别中。它是机器学习中最常见的任务之一，广泛应用于制造、汽车和医疗等行业的工作流程中。通常，图像分类模型可以通过监督学习或无监督学习的机器学习方法进行训练。

监督学习

监督分类是指使用带有标签的数据集来训练图像分类算法。训练得到的模型能够准确地将图像归类到对应的标签中。
我们可以将其类比为儿童从老师那里学习水果的过程：老师先向学生展示一张图片，并告诉他是苹果；再展示另一张图片，说明是香蕉。这个过程持续进行，直到学生能够在没有帮助的情况下独立识别水果。
在这个例子中，老师提供了苹果和香蕉的图片，并明确告知每张图片对应的名称，这类数据被称为有标签数据。

下图展示了监督学习的一个示例：

（图示：模型使用三类带标签的数据（苹果、葡萄、香蕉）进行训练，并基于三个新图像做出预测，得到最终输出结果。）

监督学习的一个主要问题是需要大量标注数据。标签的质量和数量都会显著影响图像分类模型的性能。因此，部分开发者可能更倾向于采用无监督学习方式进行图像分类。

无监督学习

无监督分类不依赖于带标签的数据集，而是完全自动地根据图像的某些特征或历史数据中的隐藏模式来预测其类别。大多数情况下，该方法会使用图像聚类或模式识别技术。
假设有一个装满各种水果的容器，我们的任务是将它们分组。从逻辑上讲，我们可以依据颜色、大小、形状等特征进行分类。

下图展示了无监督学习的示例：

（图示：水果根据无监督模型识别出的潜在模式被聚类成不同组别。）

当缺乏标注数据时，无监督学习是一种非常有效的手段，因为它可用于对数据进行初步打标。随后，我们可以修正错误标记的数据，并利用这些改进后的标签通过监督学习重新训练一个新的图像分类模型。

---

类型

根据应用场景的不同，图像分类可分为两种类型：

1. 多类别分类
2. 多标签分类

多类别分类

多类别分类模型（也称为单标签分类）从多个可选类别中预测唯一一个标签。如果仅有两个类别，则该模型称为二分类模型。
通常使用 softmax激活函数 来确保每个类别的得分在0到1之间，且所有类别的得分总和为1，表示预测结果的概率分布。

注意：softmax激活函数 将输出值归一化为概率形式，最终各数值之和等于1。

多标签分类

在多标签分类中，各个标签的预测相互独立，意味着一张图像可以拥有多个标签。此时使用 sigmoid函数 对每个标签的得分进行处理，使其落在相同的范围内。

注意：sigmoid函数 将数值转换至0到1之间。

下表展示了不同类型图像分类之间的区别：

只要有标注数据集，监督学习通常是大多数项目的首选方法；而无监督学习则更适合用于聚类和分割类的应用场景。