Image Recognition

了解图像识别如何使用 AI 和深度学习来识别视觉数据。探索现实世界的应用，并部署 Ultralytics YOLO26 以获得最先进的结果。

图像识别是更广泛的计算机视觉 (CV)领域中的一项基础技术，它使软件系统能够识别数字图像中的物体、人物、地点和文字。通过分析图像或视频帧的像素内容，这项技术旨在模拟人眼和大脑的视觉感知能力。在人工智能 (AI)的驱动下，图像识别将非结构化的视觉数据转化为结构化的可操作信息，成为从医疗保健到自动驾驶运输等各行业自动化发展的基石。

Link to this section核心机制与技术#

现代图像识别系统已经超越了传统的基于规则的编程，转而大量依赖深度学习 (DL)算法。用于这些任务的最主流架构是卷积神经网络 (CNN)。CNN 将图像处理为数值网格（通常表示红、绿、蓝 (RGB) 色彩通道），并将它们通过多个数学运算层进行处理。

在此过程中，网络会执行特征提取。最初的几层可能会检测到边缘或角落等简单的几何图案，而更深层则会将这些图案聚合起来，以识别眼睛、车轮或叶子等复杂结构。为了实现高准确率，这些模型需要海量的标注训练数据。大规模公共数据集，例如ImageNet，有助于模型学习特定视觉排列与“猫”、“自行车”或“停车标志”等概念之间的统计概率。

Link to this section区分识别与相关概念#

虽然“图像识别”一词常被用作一个全称，但它与计算机视觉的其他具体任务有所不同。了解这些细微差别对于为项目选择正确的模型至关重要：

识别与图像分类的区别： 分类是为整张图像分配单一标签的任务（例如，将图片标记为“海滩”）。而识别则是一种更广泛的能力，使系统能够理解图像的内容。
识别与目标检测的区别： 识别能够确定图像中有什么，而检测则能定位它们在哪里。检测算法会在每个目标实例周围绘制一个边界框 (BBox)，将其与背景分离开来。
识别与实例分割的区别： 这将识别更进一步，不仅识别物体，还能确定其确切的像素轮廓，而不仅仅是一个框。这对于需要精确测量的应用（如生物医学图像分析）至关重要。

Link to this section实际应用#

图像识别的效用几乎涵盖了所有生成视觉数据的行业。

医学诊断： 在医疗保健领域，识别算法通过分析 X 射线和 MRI 等医学影像来辅助放射科医生。诸如放射科 AI之类的工具，在识别肿瘤或骨折等异常情况时，比单纯的人工观察更快，有时也更准确。
零售与库存： 智能超市利用识别技术跟踪货架上被取走的商品，从而实现自动化结算系统。同样，仓库机器人也利用该技术来识别和分拣包裹。
安全与门禁控制： 人脸识别系统通过将身份信息与存储的面部特征库进行核对，从而实现智能手机和建筑物的安全访问控制。

Link to this section使用 YOLO26 实现图像识别#

对于开发者和研究人员而言，借助诸如YOLO26等最先进的模型，图像识别的实现变得更加简单，这些模型原生支持分类、检测和分割。以下示例演示了如何使用 ultralytics Python 包在图像上执行识别（具体为目标检测）。

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (n for nano, fastest speed)
model = YOLO("yolo26n.pt")

# Run inference on an image to recognize and locate objects
# The source can be a file path, URL, or webcam (source=0)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results with bounding boxes and labels
results[0].show()

对于希望标注自己的数据集并在云端训练自定义模型的团队，Ultralytics Platform 提供了一个简化的环境来管理图像识别项目的整个生命周期，从数据收集到部署均可覆盖。