Machine learning 机器学习-如何从汽车图像推断汽车的颜色
我想训练一个模型从汽车图像中推断出汽车的颜色。假设对于颜色分类,我将使用k-最近邻算法 我们还假设: 1) 我有1000张贴有标签的图片 2) 我有100张图片要测试 但是,让我们假设我成功地编写了一个源代码,可以在汽车图像中检测汽车并检索其颜色Machine learning 机器学习-如何从汽车图像推断汽车的颜色,machine-learning,supervised-learning,Machine Learning,Supervised Learning,我想训练一个模型从汽车图像中推断出汽车的颜色。假设对于颜色分类,我将使用k-最近邻算法 我们还假设: 1) 我有1000张贴有标签的图片 2) 我有100张图片要测试 但是,让我们假设我成功地编写了一个源代码,可以在汽车图像中检测汽车并检索其颜色 该源代码对培训模型是否有用,或者由于我(手动)标记了培训图像,因此无法以任何基本方式使用它?我理解您的问题的方式是,当我们可以使用图像处理技术本身解决问题时,为什么我们需要创建机器学习模型 因此,如果目标过于简单,例如在图像中查找某个对象的颜色,在图
该源代码对培训模型是否有用,或者由于我(手动)标记了培训图像,因此无法以任何基本方式使用它?我理解您的问题的方式是,当我们可以使用图像处理技术本身解决问题时,为什么我们需要创建机器学习模型
- 因此,如果目标过于简单,例如在图像中查找某个对象的颜色,在图像中查找对旋转和缩放、边缘检测等不变性的模板,则始终建议使用图像处理库
- 但是当你的目标变得复杂时,比如识别图像中的各种对象、定位对象、基于像素的分割、视频分割等。你需要深入学习模型
- 要检测物体(汽车),您需要注意以下挑战:
- 视点变化
- 尺度变化
- 变形
- 闭塞
- 光照条件
- 背景杂波
- 类内变异
- 为此,最好使用图像处理方法本身。因为在训练中,你需要在每种颜色中都有大量的图像
希望这有帮助 你写一个能在汽车图像中检测出汽车的源代码是什么意思?源代码是否用于创建培训集?是的,源代码也用于创建培训集,但我甚至可以手动创建1000个图像。在这方面,我的问题可以用以下方式重新表述:既然我可以通过简单的图像处理检索每辆汽车的颜色,那么训练模型根据颜色对汽车进行分类的目的是什么,因为在许多情况下,为了创建训练数据集,您必须编写一个对图像进行分类/标记的源代码,那么为什么不简单地使用此源代码而不是训练模型呢。培训模型为我最初的源代码分类/标签添加了什么?非常好,这正是我的问题!也许我的另一个问题是:如果我有一个图像处理算法,在80%的情况下检测并定位汽车,那么我可以使用机器学习算法将其增加到例如90%,或者基本上我将从零开始使用机器学习算法,而不使用我的图像处理算法?换言之,图像处理和机器学习算法能否结合用于相同的目的(例如,车辆的检测和定位……而不仅仅是检测和定位的机器学习算法,而颜色检测的图像处理算法)?是,当然你可以合并。您必须创建一个包含以下标签的训练集:X_开始、Y_开始、宽度、高度、颜色。请确保每种颜色中都有大量的训练样本。例句:如果红色、绿色、蓝色是颜色,那么你必须有大量的训练图像,其中包含所有三种颜色的汽车。因此,如果我理解正确,我将使用我的图像处理技术为X_开始、Y_开始、宽度、高度、颜色指定一些(相当准确,例如80%)值,然后我将使用机器学习算法更接近这些值的期望输出(例如90%)。