Ultralytics YOLO27:
返回 Ultralytics 术语表

DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

探索用于基于密度的聚类和异常检测的 DBSCAN。了解它如何与 Ultralytics YOLO26 一起识别数据集中的任意形状和噪声。

DBSCAN(带噪声的基于密度的应用空间聚类)是一种强大的无监督学习算法,可根据数据密度识别数据中的不同群组。与假设簇呈球形或要求预先指定群组数量的传统聚类方法不同,DBSCAN 会定位由低密度区域分隔的高密度区域。该能力使其能够发现形状和大小任意的簇,因此在分析底层结构未知的复杂真实世界数据集时特别有效。该算法的一项关键优势是内置的异常检测功能,因为它会自动将低密度区域中的点分类为噪声,而不是强行将其归入某个簇。

核心概念和参数#

该算法通过围绕每个数据点定义一个邻域,并统计落在该邻域内的其他点的数量来运行。两个主要超参数控制着这一过程,需要进行仔细的超参数调优,以匹配数据的具体特征:

  • Epsilon(eps): 此参数指定围绕某个点搜索邻居的最大半径,定义了“可达”距离。
  • 最小点数(minPts): 此参数设置在 Epsilon 半径内形成密集区域或“核心”所需的数据点最小数量。

根据这些参数,DBSCAN 会将数据集中的每个点分为以下三种类型之一:

  1. 核心点:eps 半径内至少有 minPts 个邻居的点。这些点构成簇的内部区域。

  2. 边界点: 位于核心点的 eps 半径内,但自身拥有的邻居少于 minPts 个的点。这些点构成簇的边缘。

  3. 噪声点: 既不是核心点也不是边界点的点。这些点会被视为离群点,这对于离群点检测等任务很有用。

DBSCAN 与 K-Means 聚类#

虽然二者都是机器学习(ML)的基础方法,但在特定场景下,DBSCAN 相较于K-Means 聚类具有明显优势。K-Means 依赖质心和欧几里得距离,通常假设簇是凸形或球形的。这可能导致其在处理细长形或月牙形数据时表现不佳。相比之下,DBSCAN 的基于密度的方法能够沿着数据分布的自然轮廓进行聚类。

另一个显著差异在于初始化。K-Means 要求用户预先指定簇的数量(k),但在缺乏先验知识时这可能很困难。DBSCAN 则会根据数据密度自然推断簇的数量。此外,K-Means 对离群点很敏感,因为它会强制将每个点归入某个群组,从而可能使簇中心发生偏移。DBSCAN 将点标记为噪声的能力可以防止数据异常污染有效簇,从而为预测建模等下游任务提供更干净的结果。

实际应用#

DBSCAN 广泛应用于需要空间分析和稳健噪声处理的行业。

  • 地理空间分析: 在城市规划和物流领域,分析师使用 DBSCAN 对配送车队或网约车服务产生的 GPS 坐标进行分组。通过识别高密度的配送区域,公司可以优化路线规划和仓库选址。例如,物流领域的 AI通常涉及对配送停靠点进行聚类,以提高效率。
  • 基于视觉的异常检测: 在制造业中,由YOLO26等模型驱动的视觉检测系统可能会检测到表面缺陷。DBSCAN 可以对产品图上的这些缺陷坐标进行聚类。孤立的检测结果可能会被视为传感器噪声而忽略,而密集的簇则表明存在系统性的制造缺陷,并触发质量检测警报。

代码示例:对检测结果质心进行聚类#

在计算机视觉工作流中,开发者通常使用Ultralytics Platform训练目标检测器,然后对结果进行后处理。下面的示例演示了如何使用 sklearn 库对检测到的对象质心进行聚类。这有助于将空间上相关的检测结果分组,从而可能合并属于同一对象的多个边界框,或识别对象群组。

import numpy as np
from sklearn.cluster import DBSCAN

# Simulated centroids of objects detected by YOLO26
# [x, y] coordinates representing object locations
centroids = np.array(
    [
        [100, 100],
        [102, 104],
        [101, 102],  # Cluster 1 (Dense group)
        [200, 200],
        [205, 202],  # Cluster 2 (Another group)
        [500, 500],  # Noise (Outlier)
    ]
)

# Initialize DBSCAN with a radius (eps) of 10 and min_samples of 2
# This groups points close to each other
clustering = DBSCAN(eps=10, min_samples=2).fit(centroids)

# Labels: 0, 1 are cluster IDs; -1 represents noise
print(f"Cluster Labels: {clustering.labels_}")
# Output: [ 0  0  0  1  1 -1]

与深度学习集成#

虽然 DBSCAN 是一种经典算法,但它可以与现代深度学习有效结合。例如,在应用 DBSCAN 之前,可以使用 PCA 或 t-SNE 等降维技术,降低从卷积神经网络(CNN)中提取的高维特征。这种混合方法能够根据语义相似性而不仅仅是像素位置,对复杂图像数据进行聚类。这在无监督学习场景中特别有用,因为此时标注的训练数据较为稀缺,可以帮助研究人员高效整理大量未标注图像档案。

Explore solutions

用于航拍影像的计算机视觉

用于航拍影像的计算机视觉

使用 Ultralytics YOLO 将无人机和航拍影像转化为针对农业、水产养殖、环境监测、自然保护及地理空间分析的实时洞察。
了解更多
航空航天中的计算机视觉

航空航天中的计算机视觉

借助 Ultralytics YOLO 模型将视觉 AI 引入空中监测。使用计算机视觉解决方案赋能无人机、航空航天工作流、环境保护与地理空间行业。
了解更多

使用 Ultralytics YOLO 模型保护每个站点。视觉 AI 赋能周界监控、威胁检测、车牌识别和工作场所安全。
了解更多
机器人计算机视觉

机器人计算机视觉

借助 Ultralytics YOLO 模型打造更智能的机器。机器人技术中的视觉 AI 可实现自主导航、感知、目标跟踪和实时控制。
了解更多
物流计算机视觉

物流计算机视觉

使用 Ultralytics YOLO 模型提升物流效率。视觉 AI 可实现包裹检测、分拣、车辆跟踪和仓库安全实时监控。
了解更多
零售计算机视觉

零售计算机视觉

使用 Ultralytics YOLO 模型重新构想零售。视觉 AI 为库存跟踪、货架监控、队列管理和更智能的客户洞察提供支持。
了解更多
医疗领域的计算机视觉

医疗领域的计算机视觉

使用 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可实现更快的医学影像处理、更智能的诊断和患者监护。
了解更多
制造业中的计算机视觉

制造业中的计算机视觉

使用 Ultralytics YOLO 模型优化制造业。视觉 AI 可推动质量控制、缺陷检测、PPE 合规和装配线自动化。
了解更多
汽车行业中的计算机视觉

汽车行业中的计算机视觉

使用 Ultralytics YOLO 模型在汽车行业应用计算机视觉。视觉 AI 提升道路安全、驾驶辅助和车辆自动化水平,让道路更加智能。
了解更多
农业中的计算机视觉

农业中的计算机视觉

使用 Ultralytics YOLO 模型将视觉 AI 带入智能农业。为作物监测、牲畜追踪和精准农业提供支持,提升产量与智能化水平。
了解更多
用于航拍影像的计算机视觉

用于航拍影像的计算机视觉

使用 Ultralytics YOLO 将无人机和航拍影像转化为针对农业、水产养殖、环境监测、自然保护及地理空间分析的实时洞察。
了解更多
航空航天中的计算机视觉

航空航天中的计算机视觉

借助 Ultralytics YOLO 模型将视觉 AI 引入空中监测。使用计算机视觉解决方案赋能无人机、航空航天工作流、环境保护与地理空间行业。
了解更多

使用 Ultralytics YOLO 模型保护每个站点。视觉 AI 赋能周界监控、威胁检测、车牌识别和工作场所安全。
了解更多
机器人计算机视觉

机器人计算机视觉

借助 Ultralytics YOLO 模型打造更智能的机器。机器人技术中的视觉 AI 可实现自主导航、感知、目标跟踪和实时控制。
了解更多
物流计算机视觉

物流计算机视觉

使用 Ultralytics YOLO 模型提升物流效率。视觉 AI 可实现包裹检测、分拣、车辆跟踪和仓库安全实时监控。
了解更多
零售计算机视觉

零售计算机视觉

使用 Ultralytics YOLO 模型重新构想零售。视觉 AI 为库存跟踪、货架监控、队列管理和更智能的客户洞察提供支持。
了解更多
医疗领域的计算机视觉

医疗领域的计算机视觉

使用 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可实现更快的医学影像处理、更智能的诊断和患者监护。
了解更多
制造业中的计算机视觉

制造业中的计算机视觉

使用 Ultralytics YOLO 模型优化制造业。视觉 AI 可推动质量控制、缺陷检测、PPE 合规和装配线自动化。
了解更多
汽车行业中的计算机视觉

汽车行业中的计算机视觉

使用 Ultralytics YOLO 模型在汽车行业应用计算机视觉。视觉 AI 提升道路安全、驾驶辅助和车辆自动化水平,让道路更加智能。
了解更多
农业中的计算机视觉

农业中的计算机视觉

使用 Ultralytics YOLO 模型将视觉 AI 带入智能农业。为作物监测、牲畜追踪和精准农业提供支持,提升产量与智能化水平。
了解更多
用于航拍影像的计算机视觉

用于航拍影像的计算机视觉

使用 Ultralytics YOLO 将无人机和航拍影像转化为针对农业、水产养殖、环境监测、自然保护及地理空间分析的实时洞察。
了解更多
航空航天中的计算机视觉

航空航天中的计算机视觉

借助 Ultralytics YOLO 模型将视觉 AI 引入空中监测。使用计算机视觉解决方案赋能无人机、航空航天工作流、环境保护与地理空间行业。
了解更多

使用 Ultralytics YOLO 模型保护每个站点。视觉 AI 赋能周界监控、威胁检测、车牌识别和工作场所安全。
了解更多
机器人计算机视觉

机器人计算机视觉

借助 Ultralytics YOLO 模型打造更智能的机器。机器人技术中的视觉 AI 可实现自主导航、感知、目标跟踪和实时控制。
了解更多
物流计算机视觉

物流计算机视觉

使用 Ultralytics YOLO 模型提升物流效率。视觉 AI 可实现包裹检测、分拣、车辆跟踪和仓库安全实时监控。
了解更多
零售计算机视觉

零售计算机视觉

使用 Ultralytics YOLO 模型重新构想零售。视觉 AI 为库存跟踪、货架监控、队列管理和更智能的客户洞察提供支持。
了解更多
医疗领域的计算机视觉

医疗领域的计算机视觉

使用 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可实现更快的医学影像处理、更智能的诊断和患者监护。
了解更多
制造业中的计算机视觉

制造业中的计算机视觉

使用 Ultralytics YOLO 模型优化制造业。视觉 AI 可推动质量控制、缺陷检测、PPE 合规和装配线自动化。
了解更多
汽车行业中的计算机视觉

汽车行业中的计算机视觉

使用 Ultralytics YOLO 模型在汽车行业应用计算机视觉。视觉 AI 提升道路安全、驾驶辅助和车辆自动化水平,让道路更加智能。
了解更多
农业中的计算机视觉

农业中的计算机视觉

使用 Ultralytics YOLO 模型将视觉 AI 带入智能农业。为作物监测、牲畜追踪和精准农业提供支持,提升产量与智能化水平。
了解更多

让我们共同构建 AI 的未来!

开启你的机器学习未来之旅