圖像分類 vs 物件檢測 vs 圖像區分

Image classification vs Object detection vs Image Segmentation

對象辨識是電腦視覺、人工智慧和機器學習的一個子領域，目的在透過 AI 模型辨識和辨識數位圖像或影像中最突出的對象（即人或事物）。圖像辨識也是人工智慧和電腦視覺的一個子領域，目的在辨識圖像的高級內容。

物體辨識與圖像辨識有何不同？

如果你熟悉電腦覺領域，你可能會認為對象辨識聽起來與相關任務非常相似：圖像辨識。然而，圖像辨識和物體辨識之間有一個微妙但重要的區別：

說明物體辨識和圖像辨識之間區別的最好方法是通過一個例子。給定一張足球比賽的照片，圖像辨識模型將返回一個標籤，例如「足球比賽」。另一方面，對象辨識模型將返回與不同對象（例如，球員、足球、球門等）相對應的許多不同標籤，以及它們在圖像中的位置。

對象辨識與另一個稱為對象檢測的電腦視覺任務也不完全相同：

例如，假設您有一張街景圖像：

因此，你可以將對象檢測視為通用對象辨識模型輸出的「過濾器」，僅查找特定類型的對象。

需要更多電腦視覺定義？我們創建了一個方便的電腦視覺詞彙表，以便你快速掌握。

對象識別模型是如何訓練的？

為了執行對象影像，機器學習專家在非常大的標記數據的數據集上訓練 AI 模型。數據集的每個成員都包括源圖像或影像，以及它包含的對象列表及其位置（根據它們的像素坐標）。

透過「研究」這個數據集並從錯誤中學習，人工智慧模型逐漸提高了在人工智慧訓練期間影像不同類別對象的能力，就像人類學會影像不同的視覺概念一樣。

一旦模型在預先存在的數據集上進行了訓練，它就可以開始分析新的真實世界輸入。對於每個圖像或影像幀，模型會為其包含的對象及其位置，創建一個預測列表。每個預測都被分配了一個置信度 —— 即模型相信預測代表真實世界對象的程度。高於給定閾值的預測被分類為對象，它們成為系統的最終輸出。

圖像識別模型是如何訓練的？

圖像識別的 AI 模型訓練過程與物體識別類似。但是，有一個關鍵區別：輸入數據集的標籤。

對象辨識數據集，將圖像或影像與其包含的對象列表，及其位置捆綁在一起。然而，圖像辨識數據集將圖像或影像，與其高級描述捆綁在一起。

在訓練圖像辨識模型之前，機器學習專家需要決定他們希望 AI 模型辨識哪些類別。例如，一個簡單的天氣辨識模型可能會將圖像分類為「晴天」、「陰天」、「下雨天」或「下雪天」。訓練數據集中的每個圖像或影像，都需要與這些標籤之一相關聯，以便模型可以在訓練過程中學習它。

一旦圖像辨識模型被訓練，它就可以開始分析真實世界的數據。該模型接受圖像作為輸入，並返回圖像標籤的預測列表。與對象辨識一樣，每個預測都有一個置信度。選擇置信度最高的預測作為系統的最終輸出。

物體辨識有什麼用？

對象辨識有許多實際用例。以下只是對象辨識的一些應用：

臉部認證也可以被認為是對象辨識的一種特殊情況，其中人的臉部是必須檢測的「對象」。現代人臉辨識系統可以在幾分之一秒內，以極高的準確度檢測出數千張不同的人臉。

圖像辨識有什麼用途？

與對象辨識一樣，圖像辨識被廣泛用於各種行業和應用。下面是一些例子：

在製造 AI 中，圖像辨識模型可以檢查產品，並將其分類為「有缺陷」或「無缺陷」。
在安全 AI 中，建築工地可以使用圖像辨識來確保工人佩戴個人防護設備 (PPE)，將監控圖像分類為「合規」或「不合規」。（單擊此處查看 PPE 檢測模型的實際運行影像。）
在醫療保健 AI 中，醫生可以使用圖像辨識模型來分析醫學成像設備的輸出。例如，經過乳房 X 光檢查圖像訓練的 AI 可以將機器的輸出分類為「良性」或「潛在癌變」，並將其標記為供人類專家審查。