Il prossimoProssima guida
Ricerca inversa di immagini e corrispondenze visive
IA visiva
GUIDA AI visiva
La classificazione delle immagini prevede una o più etichette per un'immagine o un ritaglio, come ad esempio se una foto contiene un gatto.
Ascolta questa guidaNarrato dall'IA · ~3 min
Risponde a una domanda diversa rispetto alla rilevazione, che individua gli oggetti, o alla segmentazione, che segna i pixel. Una classificazione utile richiede etichette e immagini di test che corrispondano al compito reale, oltre a un modo per gestire input incerti o sconosciuti.
An image classifier takes pixels and predicts labels defined by its training task. In a single-label setup, it chooses one category from a set; in a multi-label setup, several categories can be true at once. A crop of one product may fit a single category, while a street photo can contain a person, bicycle and bus. Classification by itself does not say where the objects are. A detector provides locations such as boxes, and a segmentation model estimates pixel regions. Modern classifiers commonly turn an image into learned features and score candidate classes. Training compares scores with labeled examples and adjusts model parameters. Transfer learning often starts from a model trained on a larger image collection, then changes or retrains its final layers for a new task; the PyTorch computer-vision tutorial documents both fine-tuning and fixed-feature approaches. A pretrained model can save effort but may carry assumptions from its original data. A class that was absent from training may still receive a high score for the nearest available label. Good evaluation begins with clear categories and representative images. Separate related photos from the same session or object between training and test; otherwise near duplicates make results optimistic. Report per-class precision and recall where costs differ, and inspect confusion between visually similar labels. Consider lighting, camera changes, background shortcuts and class frequency. A probability-like output should be checked for calibration before it is treated as a risk estimate, and a threshold or abstention path may be needed when no label fits. The best classifier depends on the decision it supports. Misfiling a photo album has different consequences from rejecting a product at a factory. Define what to do with low-confidence cases, verify new camera conditions and let people correct mistakes. More labels or a stronger architecture do not replace a well-designed task or accurate annotations.
Un'app di riciclaggio classifica un oggetto ritagliato come carta, plastica o metallo, ma richiede un'altra foto quando non è chiaro.
Un museo ordina le immagini per soggetto generale mantenendo le posizioni degli oggetti fuori dallo scopo del classificatore.
Un ispettore della qualità testa un classificatore difetto/no difetto su immagini provenienti da una nuova fotocamera installata.
Un progetto sulla fauna selvatica verifica l’accuratezza per specie e stagione invece di basarsi solo su un punteggio complessivo.
I classificatori di immagini continueranno a migliorare su benchmark ampi e diventeranno più facili da adattare con meno esempi etichettati. Le applicazioni reali continueranno a dover affrontare cambiamenti della fotocamera, classi e etichette poco comuni e etichette che non coprono ogni oggetto. I sistemi possono combinare classificazione con rilevamento, recupero o revisione umana quando la posizione o l'incertezza sono importanti. Una migliore segnalazione degli errori per classe e della fiducia aiuterà gli utenti a sapere quando una previsione è affidabile. I team di prodotto dovrebbero testare su immagini dall'ambiente operativo reale e mantenere un percorso per correggere gli errori, anziché presumere che un punteggio forte su un benchmark pubblico si trasferisca inalterato.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La classificazione delle immagini prevede uno o più etichette per un'immagine o un ritaglio, come se una foto contenga un gatto. Risponde a una domanda diversa dal rilevamento, che individua gli oggetti, o dalla segmentazione, che segnala i pixel. Una classificazione utile richiede etichette e immagini di test che corrispondano al compito reale, oltre a un modo per gestire input incerti o sconosciuti.
Un estrattore di caratteristiche fisso con un nuovo livello finale è un approccio comune.
Le immagini correlate fanno furosare prove specifiche dell'oggetto attraverso la divisione.
Gli input sconosciuti necessitano di un'alternativa sicura alla classificazione forzata.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Ricerca inversa di immagini e corrispondenze visive
IA visiva