Python 针对10类图像分类问题（仅1900个样本）的推荐机器学习算法

我试图确定一个图像分类问题的正确方法，这个问题涉及10个类，只有1900个样本。图像（1288 x 964分辨率）为工业零件，其中每个零件由10个类别中的一个表示；图像类在图像中存在的序列号以及其他细微特征方面本质上是不同的。我曾考虑过使用CNN，但我想知道，由于数据集的大小，是否不建议使用CNN，即数据集是否太小？否则，我考虑使用KNN或SVM算法，我认为由于数据较少，可能会更好，但需要一些专家指导。谢谢。

您可以使用预训练功能提取器（f.e.inceptionV3，这是keras的标准配置）。因为它已经在其他数据上进行了训练，所以只有最后一层应该根据您的特定需要重新训练，并且每类100个图像应该足以做到这一点

即使您的训练数据集较少，但功能集非常丰富（1288 x 964像素强度值）。我相信，在多个评估指标上比较多个算法的结果将是确定最有效算法的最佳方法。一个算法并不总是可以很好地工作。我相信，比较分析将是一种很好的方法。如果不了解更多的分类和相同的数据集，这个问题就无法真正回答。这些类的区别有多大？您期望的图像有多干净？不正确的分类有什么影响？是否会有人/事介入纠正错误分类的项目？非常感谢，因此您是否建议对CNN采用这种方法，而不是使用更经典的ML算法（f.e.kNN）？是的，我将从inceptionV3 CNN开始