Klasyfikacja obrazów to podstawowe zadanie sztucznej inteligencji polegające na przypisaniu cyfrowemu obrazowi jednej lub kilku z góry określonych etykiet na podstawie jego zawartości wizualnej. Wykorzystuje się do tego głównie algorytmy uczenia maszynowego i głębokiego uczenia, które potrafią wydobywać istotne cechy z obrazów, aby je rozróżnić. Klasyfikacja obrazów różni się od detekcji obiektów czy segmentacji obrazów tym, że skupia się wyłącznie na kategoryzacji całego obrazu, nie lokalizując obiektów ani nie dzieląc obrazu na regiony. Najczęściej stosuje się konwolucyjne sieci neuronowe (CNN), uczące się rozpoznawania hierarchicznych wzorców wizualnych. Technologia ta umożliwia automatyczne rozpoznawanie obiektów, scen czy anomalii na obrazach.
Zastosowania i przykłady użycia
Klasyfikacja obrazów znajduje zastosowanie w rozpoznawaniu twarzy w systemach bezpieczeństwa, diagnostyce medycznej wspomaganej AI (analiza obrazów radiologicznych), automatycznym sortowaniu zdjęć, nadzorze przemysłowym (wykrywanie defektów) czy moderacji treści wizualnych w mediach społecznościowych. Wykorzystuje się ją również w rolnictwie precyzyjnym (identyfikacja chorób roślin) oraz w motoryzacji do rozpoznawania znaków drogowych.
Główne narzędzia, biblioteki i frameworki
Do najpopularniejszych bibliotek i frameworków należą TensorFlow, PyTorch, Keras, scikit-learn, FastAI oraz OpenCV. Umożliwiają one budowanie, trenowanie i ocenę modeli klasyfikacji obrazów. W zaawansowanych zastosowaniach wykorzystuje się sieci wstępnie wytrenowane, takie jak ResNet, Inception, VGG czy EfficientNet.
Ostatnie osiągnięcia i trendy
Współczesne badania koncentrują się na efektywności architektur typu Transformer (Vision Transformers, ViT), uczeniu samonadzorowanemu, redukcji rozmiaru modeli do zastosowań wbudowanych oraz zwiększaniu odporności na stronniczość i ataki przeciwników. Automatyczna anotacja i uczenie półnadzorowane pozwalają zmniejszyć zależność od dużych, ręcznie oznaczonych zbiorów danych, rozszerzając potencjalne obszary zastosowań.