图像分类

图像分类是计算机视觉 (CV) 图像分类是计算机视觉 (CV)的基本任务，涉及根据视觉内容为整个数字图像分配一个 图像分类是计算机视觉（CV）中的一项基本任务，它涉及根据整个数字图像的视觉内容为其分配单一标签或类别。这一过程能让机器 通过识别视觉数据中的模式、对象或场景来 "看 "和解释世界。作为 人工智能（AI）的 作为人工智能（AI）的核心组成部分，它是 作为人工智能（AI）的核心组成部分，它是更复杂的视觉识别系统的基石，使自动化系统能够高效地对大量视觉信息进行分类。 大量视觉信息进行有效分类。

图像分类的工作原理

在技术层面，图像分类依赖于 机器学习 (ML)算法，尤其是 深度学习（DL）模型，即 卷积神经网络（CNN）。这些网络旨在处理像素数据并自动执行 特征提取，识别边缘和纹理等低级 属性，如早期层中的边缘和纹理，以及深层中的复杂形状。

这一过程通常采用 监督学习方法：

1. 训练：为模型提供一个标注数据集，例如 ImageNet包含数千或数百万张已知类别的图像。
2. 学习：通过 学习：通过反向传播，网络调整其内部 模型权重，以尽量减少预测误差。
3. 推理：训练完成后，该模型可以分析新的、未见过的图像，并使用 softmax 函数为每个类别输出概率分数。 每个类别的概率分数。概率最高的类别 将被指定为最终标签。

流行的框架，如 PyTorch和 TensorFlow提供了构建和训练这些 复杂的架构。

区分分类与相关任务

图像分类可以回答 "这幅图像中有什么？ 计算机视觉任务相混淆。了解两者的区别对于为项目选择合适的工具至关重要：

• 物体检测:与对整个图像进行标注的分类不同，对象检测可识别出对象的位置 位置。它会在每个物体周围画一个边界框 并对其进行单独分类。
• 图像分割:提供像素级精度。 语义分割将每个 像素划分为一个类别（如道路与天空），而 实例分割则区分 同一类别的单个对象。

实际应用

图像分类在各行各业无处不在，推动着自动化进程，并增强了决策过程。

1.医学影像与医疗保健

在医学图像分析领域、 分类模型通过预先筛选扫描图像来协助放射科医生。例如，算法可以classify 胸部 X 光片或 正常 "或 "异常"，标记出潜在的问题，如肺炎或肿瘤，以便优先审查。 审查。美国国立卫生研究院（NIH）的研究表明，人工智能 如何帮助进行早期疾病诊断，从而显著改善患者的预后。您可以阅读我们在 使用YOLO11进行肿瘤检测的更多信息。

2.智慧农业

精准农业利用图像分类来监测作物健康状况。装有摄像头的无人机可捕捉田地图像 然后对这些图像进行分析，classify 植物分为健康、营养不良或有病。这样就可以 有针对性地进行干预，减少化学品用量，提高产量。美国农业部 美国农业部（USDA） 重点介绍了此类技术如何促进可持续农业实践。了解Ultralytics 如何支持 人工智能在农业中的应用 农业。

使用YOLO11实现分类

虽然因探测而闻名，但 Ultralytics YOLO11架构对于 图像分类任务。它兼顾了速度 和准确性之间的平衡，使其适用于实时应用。

下面是一个简明示例，说明如何使用预先训练好YOLO11 模型对图像进行classify 。 ultralytics Python 软件包：

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Run inference on an external image URL
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")

对于希望创建自己的解决方案的用户，您可以 使用同样简单的 API 在特定数据集上训练自定义模型。无论您是使用诸如 OpenCV还是利用云基础设施 云基础设施进行扩展，现代分类模型都能为各种部署场景提供所需的多功能性。 场景所需的多功能性。