探索计算机视觉中的监督学习与无监督学习

人工智能（AI）的核心理念是教会机器像人类智能一样进行学习和推理。正如人类通过不同方式（如直接指导，或观察模式和经验）进行学习一样，AI 和机器学习系统也旨在遵循这些相同的方法。

具体来说，在机器学习算法方面，系统是通过数据来学习，而不是针对每个任务进行显式编程。机器学习模型不依赖于固定的规则，而是识别数据中的模式，并利用这些模式进行预测或决策。

例如，计算机视觉是 AI 和机器学习的一个分支，专注于使系统能够解释和理解图像与视频等视觉信息。从识别物体到在大型数据集中识别隐藏模式，这些系统在很大程度上依赖于它们如何被训练来学习。

根据可用数据的类型和待解决的问题，人们使用各种人工智能学习技术来训练这些系统。

一些计算机视觉模型从标注数据中学习，其中每个输入都配有一个正确答案，这意味着每张图像或数据点都带有一个预定义的标签，告诉模型它代表什么。这使得模型能够学习输入与预期输出之间的关系，从而提高其在新的、未见数据上进行准确预测的能力。

另一些视觉模型则从无标注数据中学习，即不提供预定义的答案，而是专注于识别数据本身的模式和关系。这些方法分别被称为监督学习和无监督学习，它们构成了许多尖端计算机视觉系统的基础。

在本文中，我们将探讨监督学习和无监督学习，了解它们在计算机视觉中的应用，以及如何选择最适合你视觉 AI 项目的方法。让我们开始吧！

Link to this sectionAI 学习方法如何驱动计算机视觉#

你可以把人工智能想象成一把伞，涵盖了一系列使机器能够执行通常需要人类智能的任务的技术。在这把伞下，机器学习是一个关键领域，它使系统能够通过数据学习，而不仅仅依赖于固定的规则。

在机器学习中，不同的学习技术决定了模型如何随时间学习和改进。监督学习（从带正确答案的标注数据中学习）、无监督学习（识别无标注数据中的模式）、强化学习（通过反馈或奖励进行试错学习）以及半监督学习（结合少量标注数据和大量无标注数据）等方法定义了系统处理输入数据并生成输出数据的方式。

图 1. AI 学习方法概览（来源）

特别地，计算机视觉系统就是利用这些学习方法来解释和理解视觉数据的。监督学习是最常用的方法，因为它让模型能够从明确标注的示例中学习，并产生准确、可靠的结果。

例如，可以针对标记为“猫”和“狗”的图像训练模型，让其学习形状、耳朵和面部结构等特征，以便利用分类算法准确地对新图像进行分类。同时，无监督学习和半监督学习也用于计算机视觉中，通常用于探索数据中的模式，或在标注数据有限时提高性能。

Link to this section了解如何在计算机视觉中使用监督学习模型#

你可以将监督学习算法与课堂环境相类比，教师提供示例以及正确答案，让学生学习什么是对的，什么是错的。在机器学习中，模型使用标注数据以类似方式学习，其中每个输入都配有一个已知的输出。

假设你正在构建一个自动化棒球比赛分析的计算机视觉系统。你可以针对标记有球、球棒和球员等物体的图像或视频帧，来训练像 Ultralytics YOLO26 这样的模型。

每个物体都会被标注位置和类别，使模型能够学习寻找什么。随着时间的推移，模型可以在新的素材中检测并定位这些物体，支持诸如跨帧球追踪和球员检测等用例。

图 2. 由监督学习支持的物体检测示例（来源）

除了物体检测，监督学习还广泛应用于图像分类、实例分割和姿态估计等一系列计算机视觉任务中，在这些任务中，准确性和一致性至关重要。在每一项任务中，模型都从标注数据中学习，以识别特定模式并对新输入做出可靠的预测。

这些模型通常使用深度学习来构建，深度学习是一种利用神经网络直接从数据中学习模式的机器学习类型。神经网络的设计旨在以某种程度上受人脑工作方式启发的方式处理信息，从而使模型能够从大型数据集中学习复杂的视觉特征。

早期的计算机视觉方法通常依赖于手动设计的特征，结合支持向量机（SVM，指通过找到类别之间最佳边界来分类数据的模型）或决策树（通过将数据拆分为分支来做出决策的模型）等算法。

相比之下，现在的计算机视觉模型使用深度学习自动从数据中学习这些特征，使其在处理大规模和高度详细的视觉任务时更为有效。

Link to this section理解视觉 AI 中对无监督学习模型的需求#

虽然监督学习是计算机视觉中的首选方法，但有些视觉应用场景无法获取标注数据，或者创建这些数据既昂贵又耗时。

在这些情况下，无监督学习算法可以成为一种有用的替代方案。假设你有一大批来自野生动物相机的无标注照片。

没有标签指示每张图像包含什么，但你仍想整理或理解这些数据。无监督模型可以分析这些图像并将相似的图像归为一类，即使不知道确切标签，也能将长相相似的动物分入各个集群。

Link to this section无监督学习在计算机视觉中是如何工作的#

那么，无监督机器学习是如何工作的呢？它不是从正确答案中学习，而是通过自行识别数据中的模式和结构来学习。它在不依赖标注示例的情况下，寻找数据间的相似性和差异性。

一个常见的用例是异常检测，模型先学习正常数据是什么样的，然后识别任何偏离正常的数据。异常和离群点检测是最具影响力的工业应用之一。示例包括在生产线上发现缺陷产品、标记出异常医疗扫描以供放射科医生复查，或在监控录像中探测可疑活动。由于缺陷和异常通常很少见且种类繁多，为每种可能的情况进行标注是不切实际的，这使得无监督方法成为一个自然的选择。

为了支持这一点，通常会在从图像中提取的特征上（而非原始图像本身）使用聚类和降维等技术。聚类方法（如 k-means 聚类）根据共享模式将相似图像分组，而降维技术（如主成分分析，PCA）通过专注于最重要的特征来简化数据。

这使得模型更容易识别大型复杂数据集中的有意义的模式和结构。无监督学习的主要优势在于它能很好地处理无标注数据，并能揭示那些不显而易见的模式。然而，与监督学习相比，它更难评估，并且对最终输出的控制力较低。

Link to this section计算机视觉中的自监督学习和半监督学习#

在探索监督学习和无监督学习时，你可能会想两者之间是否有折中方案。有趣的是，自监督学习和半监督学习弥合了监督学习和无监督学习之间的差距。

这些方法使模型能够更有效地从无标注数据中学习。它们不只依赖于标注示例，而是要么从数据中创建自己的学习任务，要么结合少量标注数据集和大量无标注数据集。

在自监督学习中，模型通过解决从数据本身创建的任务来学习。例如，它可以被给予一张缺失部分的图像并学习预测应如何填补该空间，或者它可能学习识别同一物体的不同视图。这有助于模型在不需要手动标签的情况下学习有用的特征。

另一方面，在半监督学习中，少量标注数据与较大量的无标注数据一起使用，以提高性能。在某些情况下，模型可以为无标注数据生成标签，并利用它们继续学习。

这些方法的关键优势在于它们减少了对大型标注数据集的需求，而创建这些数据集通常既昂贵又耗时。然而，与完全监督的方法相比，它们的设计和评估可能更为复杂。

Link to this section监督学习和无监督学习的主要区别#

监督学习和无监督学习之间的区别归根结底在于模型如何学习以及它试图实现的目标。监督学习依赖于标注数据和明确的指导来学习特定任务，而无监督学习则在没有预定义答案的情况下工作，专注于发现数据中的模式和结构。

例如，在交通监控系统中，监督学习模型可以针对标注图像进行训练，以检测车辆、行人或交通信号灯。相比之下，无监督模型可以分析大量的视频素材，以将相似的交通模式归组，或在没有被明确告知要寻找什么的情况下识别异常事件，如意外拥堵或异常移动。

Link to this section何时在计算机视觉中使用监督学习#

监督学习是那些目标明确、且模型需要将输入数据映射到准确输出的计算机视觉任务的绝佳选择。当你拥有可靠的标注数据集并需要一致、可预测的结果时，它尤其有效。

图 3. 由监督学习驱动的计算机视觉任务（来源）

它通常用于模型必须区分已知类别或预测特定结果的问题。重点不在于探索模式，而在于从标注数据中学习精确的关系，从而更容易引导模型达到预期的结果。

另一个关键优势是控制力。通过监督学习，可以更轻松地使用明确的指标衡量性能、微调模型并确保部署期间的行为稳定。这使得它非常适合那些需要随时间保持一致性和可靠性的系统。

然而，这伴随着折中。模型很大程度上依赖于标注数据的质量和规模，收集和标注此类数据可能非常耗时。

Link to this section监督计算机视觉的真实示例#

像 Ultralytics YOLO 模型 这样的视觉 AI 模型使用监督学习来高精度地执行任务（例如物体检测），特别是在实时应用中。以下是一些监督学习发挥作用的常见真实世界视觉用例：

• 医疗保健和医学成像： 医生可以使用针对标注扫描件（如 X 光片或 MRI）训练的计算机视觉系统，通过分类器识别肿瘤或骨折等疾病，从而支持更快、更准确的诊断。
• 工业质量检测： 在制造环境中，针对标注数据训练的视觉系统可以通过分析与质量相关的多个特征（如形状、表面缺陷、纹理和尺寸）来检查产品。通过从合格和有缺陷产品的示例中学习，这些系统能够一致地识别故障并维护生产标准。
• 自动驾驶： 自动驾驶系统依赖于针对标注驾驶数据训练的模型来识别车道、车辆、行人和交通标志，帮助车辆实时安全行驶。
• 零售和结账系统： 商店使用针对标注产品图像训练的模型来识别货架或结账时的商品，实现自动计费和更高效的库存管理。这些系统在结合额外数据时还可以支持诸如客户细分等任务，帮助企业更好地了解购物模式。
• 农业和作物监测： 农民可以使用针对标注图像训练的模型来检测和分类作物，例如识别和清点健康的和受损的马铃薯，从而改善质量控制并减少损失。

图 4. 使用 YOLO 检测和清点健康与有缺陷的马铃薯

Link to this section计算机视觉中无监督学习能解决哪些类型的问题#

当你没有足够的标注数据或数据没有明确答案时，无监督学习非常有用。在这些情况下，目标不是做出精确的预测，而是理解数据中的模式和结构。

它通常在首次探索无标注数据集时使用。你不需要告诉模型要寻找什么，而是让它自行识别相似性、对相关图像进行分组或突出显示异常模式。

在大量的图像集合中，无监督方法有助于将相似图像整理在一起，或标记出可能需要进一步关注的离群点。这使其成为数据科学项目的一个有用的起点。

生成模型（包括 GAN、变分自编码器和扩散模型）学习图像的潜在分布以创造全新的图像。这些模型为图像合成、图像修复、超分辨率和风格迁移等应用提供了动力，它们构成了当今生成式 AI 系统的基石。

在无监督分割中，一些方法在不依赖标注掩码的情况下将像素或区域归入相干片段，当标注成本过高或目标是发现结构而非匹配预定义类别时，这非常有用。

当处理标注耗时或不切实际的大型数据集时，无监督学习也很有影响力。在这种情况下，它让你无需依赖标注的训练数据即可从数据中获得见解。

它也常用于生成式 AI（创建图像、文本或音频等新数据的模型）和表征学习（从原始数据中学习有用特征或模式的模型）等领域，模型从大量数据中学习通用特征。总的来说，如果你的问题涉及探索、模式发现或处理无标注数据，无监督学习是一种值得考虑的灵活且实用的方法。

Link to this section无监督学习在计算机视觉中的真实示例#

以下是一些在计算机视觉中应用无监督学习的用例示例：

• 制造业中的异常检测： 模型可以学习正常产品是什么样的，并且无需每种可能的缺陷的标注示例即可标记缺陷或违规行为。
• 图像整理和搜索： 大量图像集合（如照片库或电子商务目录）可以根据视觉相似性自动分组，使数据科学家能够更轻松地整理、探索和搜索大型数据集。
• 监控和安全： 系统可以分析视频素材以识别异常模式或行为，例如意料之外的移动或人群变化，而无需针对标注事件进行显式训练。
• 预处理和数据探索： 无监督方法通常用于在训练监督模型之前探索和构造原始图像数据，帮助提高数据质量并减少手动工作。

Link to this section监督学习和无监督学习的实际局限性#

尽管这两种学习方法都有其优势，但也存在需要考虑的某些局限性。以下是在构建计算机视觉模型时需要牢记的一些实际因素：

• 监督模型中的过拟合： 在监督学习中，模型可能会过于紧密地学习训练数据，而不是学习通用模式。当数据集规模较小或不够多样化时，这种情况经常发生。例如，为了检测某一类产品缺陷而训练的模型，在测试由略有不同的产品或光照条件组成的新数据时可能会失败。
• 聚类算法面临的挑战： 在无监督学习中，模型可以将相似的数据点归为一组。然而，当数据噪声大、不一致或缺乏明确结构时，这种方法可能会失效。例如，在图像分组任务中，颜色相似但物体不同的图像可能会被错误地分在一起。
• 适当预处理的重要性： 训练前，需要对数据进行清理和准备。这通常使用处理图像处理和数据转换的 Python 库来完成。这在计算机视觉中尤其重要，因为图像的大小、质量或光照可能各不相同。如果没有适当的预处理，模型可能会从噪声而不是有意义的模式中学习，从而导致性能不佳。

Link to this section关键要点#

在计算机视觉中，监督学习和无监督学习都发挥着重要作用。正确的方法取决于你所拥有的数据类型（无论是标注过的还是未标注的），以及你试图解决的问题和部署需求。

如果你的目标是高准确性和清晰定义的输出，监督机器学习通常是更好的选择。如果你正在探索数据或在没有标签的情况下工作，无监督学习可能更合适。

想了解更多关于 AI 的信息吗？请查看我们的社区和 GitHub 仓库。浏览我们的解决方案页面，了解机器人领域的 AI 和农业计算机视觉。探索我们的许可选项，并立即开始构建计算机视觉应用！