术语表

数据可视化

利用强大的可视化技术和工具,将复杂的 AI/ML 数据转化为可操作的见解。了解更多信息,请访问 Ultralytics!

数据可视化是用图形表示数据和信息的做法。在人工智能(AI)机器学习(ML)领域,它是让人类理解复杂数据、模型架构和性能指标的不可或缺的工具。通过将原始数据和抽象概念转换成图表、图形和地图,开发人员和研究人员可以更有效地识别模式、发现异常和交流见解。从最初的数据探索和预处理到模型评估和结果解释,可视化在整个人工智能工作流程中都发挥着至关重要的作用。它有助于将模型的复杂输出转化为清晰、可操作的见解,我们在关于利用可视化增强计算机视觉应用的博客中进一步探讨了这一概念。

人工智能/移动语言生命周期的相关性

数据可视化不仅仅是创建美观的图形,它还是深度学习过程的基本组成部分。在项目的初始阶段,可视化可用于探索性数据分析(EDA),以了解数据集的分布情况,并识别数据集偏差数据扩充需求等潜在问题。在整个模型训练过程中,TensorBoard等工具有助于可视化损失函数曲线和随时间变化的准确性等指标。训练结束后,混淆矩阵接收者工作特性曲线(ROC)等可视化指标对评估模型性能至关重要。Ultralytics HUB等平台集成了这些可视化功能,可提供无缝的 MLOps 体验。

真实世界的人工智能/移动语言应用

  1. 医学图像分析在医疗人工智能领域,可视化有助于解释复杂的医学扫描。在脑肿瘤数据集等数据集上训练的物体检测模型可以输出边界框,识别潜在的异常。将这些方框直接叠加到核磁共振或 CT 扫描图像上进行可视化,可让放射科医生快速评估模型的发现,从而帮助诊断。此外,根据成像特征可视化患者结果集群有助于识别疾病亚型。医疗保健领域的人工智能在很大程度上依赖于此类可视化辅助工具。您可以在美国国家生物医学成像和生物工程研究所(NIBIB)探索更多应用。
  2. 自动驾驶汽车开发:自动驾驶汽车系统处理大量传感器数据。可视化技术在开发和测试过程中得到广泛应用。工程师在三维模拟环境中对激光雷达点云、雷达信号和摄像头信号进行可视化处理。通过YOLO等模型识别出的物体(汽车、行人、骑车人)通常会以边界框、跟踪路径和置信度分数的形式显示出来,使开发人员能够在各种场景中验证感知系统的准确性和安全性。查看人工智能汽车解决方案中的示例,了解Mobileye 等公司的行业方法。

与相关术语的区别

  • 数据分析这是一个更广泛的领域,涉及检查、清理、转换和建模数据以发现有用信息和支持决策的整个过程。数据可视化是数据分析的一个组成部分工具,用于展示研究结果或探索数据,但分析还包括统计建模、假设检验和其他非可视化方法。了解有关数据分析基础的更多信息。
  • 图像处理:该领域侧重于处理数字图像,以增强图像效果或直接从像素数据中提取信息(如过滤、边缘检测、对比度调整)。虽然可视化可能涉及显示图像,但人工智能/人工智能领域的数据可视化通常是将抽象数据(如模型性能指标或特征关系)或模型解释(如检测)叠加到图像上,而不是转换图像本身。请阅读这篇《计算机视觉与图像处理》博文,了解两者的区别。
  • 探索性数据分析(EDA):EDA 是分析数据集以了解其主要特征的过程,通常使用可视化方法。数据可视化技术是 EDA 过程中使用的主要工具,用于揭示模式、发现异常、测试假设和检查假设。注释数据预处理指南涉及与计算机视觉数据集相关的 EDA 概念。

加入 Ultralytics 社区

加入人工智能的未来。与全球创新者联系、合作和成长

立即加入
链接复制到剪贴板