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

---

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

在您的情况下，您需要检测车辆并找到其颜色

让我们将其分解为两部分：

1） 车辆检测和定位：

• 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

如果您的测试用例没有面临这些挑战，那么您可以很好地使用图像处理库。否则它将成为一个复杂的过程。所以解决这个问题的唯一方法就是训练一个具有不同图像的模型

2） 颜色检测

• 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%）。