图像分类项目全解析：从基础概念到实战技巧

一、图像分类的三层境界

1. 通用多类别图像分类

最基础的分类任务，例如：

• CIFAR-10 数据集：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车
• 目标是将图像正确划分到已知类别中

2. 子类细粒度图像分类

在大类下区分更精细的子类别，如：

• 不同品种的花
• 不同型号的手机
• 要求模型捕捉更细微的特征差异

3. 实例级图像分类

识别具体的个体，如：

• 人脸识别
• 特定车辆识别
• 不仅要知道 "是什么"，还要知道 "是谁"

二、核心评估指标

混淆矩阵基础

• TP（真正例）：正类预测为正类
• FP（假正例）：反类预测为正类
• TN（真反例）：反类预测为反类
• FN（假反例）：正类预测为反类

常用评估指标

• 精确率 (Accuracy)：模型识别正确的样本数 / 总样本数
• 准确率 (Precision)：预测为正类的样本中，真正为正类的比例
• 召回率 (Recall)：正确识别的正类样本占总正类样本的比例
• F1-Score：精确率和召回率的调和平均数

可视化评估

• P-R 曲线：召回率增加时精确率变化趋势
• ROC 曲线：不同阈值下的分类性能
• 多类别混淆