TFL Classify(图像分类)

TFL Classify(图像分类)通过算法和标识对你手机当中的相片尽心分类，虽然现在还没有苹果分类那么的精确和智能，但是已经能够帮助你对手机当中的相片进行一定的处理，感兴趣的话就快来下载这款TFL Classify(图像分类)吧！

TFL Classify软件介绍

这个是我编译的谷歌TensorFlowLite的Image classification（图像分类）

什么是图像分类？

机器学习的常见用途是识别图像代表什么。例如，我们可能想知道下面的照片中出现了什么类型的动物。

预测图像表示什么的任务称为图像分类。训练图像分类模型以识别各种类型的图像。例如，可以训练模型以识别代表三种不同类型动物的照片：兔子，仓鼠和狗。

当我们随后提供新图像作为模型的输入时，它将输出代表它所训练的每种动物类型的图像的概率。示例输出可能如下：

动物类型可能性兔子0.07仓鼠0.02狗0.91

基于输出，我们可以看到分类模型已经预测图像具有代表狗的高概率。

相关介绍

培训，标签和推理

在训练期间，图像分类模型被馈送图像及其相关标签。每个标签都是模型将学习识别的不同概念或类的名称。

给定足够的训练数据（通常每个标签数百或数千个图像），图像分类模型可以学习预测新图像是否属于它已被训练的任何类。这种预测过程称为推理。

要执行推理，图像将作为输入传递给模型。然后，模型将输出0到1之间的概率数组。对于我们的示例模型，此过程可能如下所示：

→[0.07,0.02,0.91]

输出中的每个数字对应于我们的训练数据中的标签。将我们的输出与模型训练的三个标签相关联，我们可以看到模型预测图像代表狗的概率很高。

标签可能性兔子0.07仓鼠0.02狗0.91

您可能会注意到所有概率（对于兔子，仓鼠和狗）的总和等于1.这是具有多个类的模型的常见输出类型（ 有关详细信息，请参阅 Softmax）。

结果模棱两可

由于概率总是总和为1，如果图像没有被自信地识别为属于模型被训练的任何类，则可以看到概率分布在整个标签中而没有任何一个值明显更大。

例如，以下内容可能表示结果不明确：

标签可能性兔子0.31仓鼠0.35狗0.34用途和限制

我们提供的图像分类模型对单标签分类很有用，这意味着可以预测图像最有可能表示的单个标签。他们经过培训可以识别1000类图像。有关类的完整列表，请参阅模型zip中的标签文件 。

如果要训练模型以识别新类，请参阅 自定义模型。

对于以下用例，您应该使用不同类型的模型：

预测图像中一个或多个对象的类型和位置（请参阅对象检测）

预测图像的构图，例如主题与背景（请参阅分段）

在目标设备上运行入门模型后，您可以尝试使用不同的模型，以找到性能，精度和模型大小之间的最佳平衡。有关指导，请参阅 选择其他模型。