Opencv &引用；图像识别“；功能太多

我有一项与图像识别相关的任务，任务是根据为各种各样的产品拍摄的数千张照片来判断哪种产品

例如，我们为10种不同的标签产品拍摄了短片（1分钟）。然后我们使用cv2.VideoCapture将它们转换为每个产品60秒*30帧~1800帧。因此，我们有10种产品的约18K种不同的图像，所有产品都贴有完美的标签

我正在考虑将图像转化为像素，并使用标签作为结果，所有像素作为收入，使用机器学习（神经网络）将其转化为分类问题。然而，每幅图像都是1080*1920，这就给了你200万像素，更不用说颜色了（RGB，…等等）

有什么我应该使用的标准技术吗？我可以做边缘检测，轮廓裁剪成更小的尺寸，但是所有的图片最终都会变成不同的尺寸，不是吗？如果我将其缩放为相同的大小，这难道不会改变缩放变量图像识别问题吗

我拥有这些产品，所以我可以照任意多的照片。抱歉，这更像是一个最佳实践或架构问题，而不是一个特定的编程问题

这是一张缩小到更小的图片，这样你们就可以知道我在试图解决什么问题

---

我强烈建议您使用来解决这10类图像分类问题，因为您可以为“产品”获取大量图像。 该管道将非常类似于使用CNN的图像分类问题，例如

对于你的问题，事实上，最好裁剪“产品”，然后将它们调整为相同的大小以训练CNN分类器。在识别（或预测）阶段，您还应该裁剪产品并将其调整到该大小，以便将其输入预先训练的分类器。此预处理过程的好处包括：

• 大大降低了识别的难度，提高了准确率
• 适当较小的图像大小需要较少的计算和内存消耗，而相应的分类器仍然可以具有竞争性（或相同）精度

对于“比例变化图像识别”问题，事实上，如上所述，在识别阶段，您还应该裁剪产品，并将其调整为与训练CNN相同的大小，以便比例不会发生剧烈变化。另一方面，您可以在训练CNN之前执行，以提高CNN对缩放方差的鲁棒性。下面是一个面部数据增强的示例，从左到右依次为

正常

，

缩小

，

放大

，

旋转

，您可以使其更精确：

---

希望我的表达清晰明了，能对您有所帮助。

我会尝试的第一件事是将每个图像作为一个单独的示例处理。所以你会认为自己每门课都有1000个例子。除此之外，我觉得你走的方向是对的。你说的“尺度变化图像识别问题”是什么意思？