ML分类

模块原理

ML分类模块是基于传统机器学习的方式，提取图像特征，并基于图像特征和标签训练分类器模型，使用该模型对未知标签类别的图像进行推理，得到对图像类别信息的预测，实现图像分类的效果。

整个算法分为训练和推理两个阶段，如下图所示。

• 训练阶段：从待分类数据样本中取出部分有代表性的样本并标记其类别，使用这部分带有类别标签的数据作为训练集，使用选择的特征提取器得到图像特征，将特征与对应的类别标签输入分类器进行训练，得到分类模型文件，完成训练工作。

• 推理阶段：首先需要加载训练阶段得到的分类模型文件，内部解析模型文件，按照文件中的信息重构与训练过程相同的特征提取器和分类器，然后对输入的未知分类数据样本进行特征提取和分类器预测，最后输出该样本的类别信息，完成分类。

该模块功能与DL分类模块类似，两者的差别在于ML分类基于机器学习实现，DL分类基于深度学习实现。

使用方法

ML分类根据图像中所反映的不同特征，可将不同类别的目标进行区分。该算法利用特征提取器及分类器，把图像分类为若干类别中的某一种，以代替人的视觉判读，在物体识别、分拣方面有广泛应用。

ML分类模块一般和图像源模块配合使用，最终输出标签索引和标签名，示例执行结果如下图所示。

参数配置

模型文件路径

选择之前训练生成的模型文件。

方案存模型

使能后，将模型数据保存到方案文件或流程文件中，跨机加载方案时不需要再输入模型文件路径。

模块结果

该模块的模块结果介绍请见ML分类。