Feature Extraction

特征提取是机器学习（ML）中的一项变革性流程，可将原始的高维数据转换为一组经过提炼且信息丰富的属性或“特征”。高分辨率图像、音频流或非结构化文本等原始输入数据通常过于庞大且冗余，算法难以对其进行有效处理。特征提取通过将输入提炼为最关键的组成部分来解决这一问题——在丢弃噪声和无关背景细节的同时，保留预测建模所需的关键信息。这种降维对于缓解维度灾难至关重要，可确保模型保持较高的计算效率，并能够很好地泛化到新的、未见过的数据。

特征提取在深度学习中的作用#

在传统计算机视觉时代，专家依靠尺度不变特征变换（SIFT）等手动技术来识别图像中的关键点。然而，现代深度学习（DL）通过自动化特征发现，彻底改变了这一工作流程。

神经网络，尤其是卷积神经网络（CNNs），会使用一种称为主干网络的专用架构组件，以分层方式执行特征提取。随着数据穿过网络层，所提取特征的复杂度会不断增加：

• 浅层： 这些初始层类似于边缘检测器，用于识别线条、角点和颜色梯度等简单的低级结构。
• 深层： 随着网络加深，这些简单元素会聚合为高级语义表示，例如车辆的形状、人脸或特定的动物纹理。

这些学习到的表示会存储在特征图中，随后传递给检测头，以执行目标检测或图像分类等任务。

实际应用#

特征提取是许多先进 AI 能力背后的引擎，可将原始感官输入转化为各行各业都能据此采取行动的洞察。

• 医学诊断： 在医疗保健中的 AI领域，模型会分析 MRI 或 CT 扫描等复杂医学影像。先进的特征提取算法能够识别组织密度或纹理中的细微异常，而这些异常可能预示着早期病变。通过分离这些关键视觉标记，系统可以帮助放射科医生以显著更高的准确率和速度进行肿瘤检测。
• 自动驾驶： 自动驾驶汽车依靠实时特征提取来安全导航。车载摄像头将视频流传输给计算机视觉（CV）模型，模型会立即提取与车道线、交通信号灯和行人运动相关的特征。这项能力使自动驾驶车辆能够在动态环境中做出瞬间决策。
• 音频处理： 在语音助手中，原始音频波形会被转换为频谱图。随后，算法提取语音特征、音高和音调，使语音转文本系统无论面对说话者的口音还是背景噪声，都能理解口语。

使用 Ultralytics YOLO 进行特征提取#

Ultralytics YOLO26等先进架构将强大的特征提取主干网络直接集成到设计中。当你运行推理时，模型会先自动处理图像以提取相关特征，然后预测边界框和类别标签。

以下示例演示了如何使用预训练模型处理图像。虽然代码很简单，但模型内部会执行复杂的特征提取，以定位目标：

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

对于希望管理用于训练这些特征提取器的数据集的团队而言，Ultralytics Platform为标注、训练和部署提供了全面的解决方案。

区分相关术语#

要全面理解数据科学流程，区分特征提取与相似概念会很有帮助。

• 特征提取与特征工程： 虽然二者经常一起讨论，但特征工程是一个更宽泛的术语，通常指一个手动过程：利用领域知识创建新变量（例如，根据“价格”和“面积”计算“每平方英尺价格”）。特征提取则是一种具体技术——在深度学习中通常是自动执行的——它将高维数据（如像素）投影到低维的特征向量中。
• 特征提取与特征选择： 特征选择是在不改变现有特征的情况下选择其中的一个子集，只移除不太重要的特征以减少噪声。相反，特征提取会通过转换和组合原始数据点来创建新特征，例如通过主成分分析（PCA）或学习得到的网络权重来实现。

掌握特征提取后，开发者可以利用PyTorch和TensorFlow等框架构建不仅准确，而且高效到足以部署在边缘设备上的模型。