在许多机器视觉任务中，图像分类是最基本的任务之一。它不仅可以用于许多实际产品中（例如图片标签和AI内容审核），而且还为许多更高级的视觉任务（例如物体检测和视频理解）打开了一扇门。图像分类任务目的是判断图像中包含物体的类别，但是由于该领域的快速变化，往往导致初学者无法学习。

有了Coovally，不用阅读图像分类的书籍，也不用参考大量论文，5步即可完成图像分类任务！

说明：当前图像分类任务仅支持Imagenet格式数据集,请提前准备好数据集，具体数据集要求可参考Imagenet格式数据集说明。

Imagenet格式数据集说明：

ImageNet数据库简介

ImageNet是由斯坦福大学李飞飞教授为了解决机器学习中过拟合和泛化的问题而牵头构建的一种数据集。该数据集从2007年开始收集建立，2009年作为论文的形式在CVPR 2009上正式发布。目前，该数据集已成为深度学习领域中图像分类、检测、定位的最常用的数据集之一。ImageNet数据集是对项目数据使用而衍生出的一种数据标注规范，是Coovally目前支持的格式之一，可用于分类任务。

分类任务数据准备

需要按如下目录准备我们的训练文件：

当按照上述格式上传数据到系统时，系统会自动生成分类任务标签，格式如下。

annotations文件夹下应包含两个标签文件，分别为label.csv和meta.json两个文件。label.csv文件主要包含两列，第一列为图片的地址，第二列为该行图片所属的分类，如下表所示：

label.csv文件内容

meta.json文件格式如下：

各个字段的含义：

·img_count 图片总数量

·label_count 标签类别数量

·label2id 标签到id的映射

·id2label id到标签的映射

1.数据上传

1.1 图片上传

·图片数据准备

将数据中的图片按照标签类型储存在不同文件夹下，并将所有文件夹压缩为一个zip格式的压缩包。

·图片数据上传

登录Coovally平台，页面将自动跳转到 Home页。

点击【创建】点击下拉菜单【创建数据集】，按要求填写参数，并将此前准备好的图片压缩包拖至文件上传区域，点击【确定】，等待图片数据上传并解析完成即可；

注意：需记住所填写的数据集名称，在创建标签时，需根据数据集名称找到对应的数据集。

1.2 标签生成

根据上述情况上传图片数据后，Coovally平台会自动解析并生成标签文件，建模时只需要选择其即可。

2. 模型训练

2.1 数据建模

基于此前已完成上传的数据集，进行数据建模，点击【数据建模】图标，进入数据建模详情页面。

2.2 模型选择

按要求选择模型并填写模型参数，再点击【下一步】，进入训练次数及并发等参数设置。

2.3 参数配置

按要求填写训练参数，亦可保持默认。

点击【参数设置】进入超参数设置页面，设置合适的超参数值，以提高模型精度或训练模型的速度。（此操作非必填，可使用默认值）

点击【增强算法】进入算法增强页面，筛选所需要增强的标签类型及数据增强方法，进行数据数据增强，此操作非必选操作，但数据量较少，或数据不均衡时可尝试进行数据增强，以提高模型精度。

2.4模型训练

点击【开始训练】，即可开始模型训练，待模型训练结束即可开始此后的模型转化、部署、推理等操作。

3. 模型转化

注意：此处仅为模型转化步骤示例

点击模型转换图标，进入模型转换页面，按要求选择及填写参数，点击开始转换即可开始进行模型转化，等待模型转化完成即可。

注意：等待模型转换期间，切勿刷新页面！

4.模型部署

在模型转化完成后转跳的界面点击点击模型部署图标，开始模型部署。按要求选择服务地址，再点击部署按钮，等待部署完成。

5. 模型推理

在模型部署完成后转跳的界面，点击【本地上传】，即可使用该图片进行模型推理，推理结果会直接显示在右侧的识别结果栏内。

只需5步即可完成的图像分类任务，还在等什么，快来试试吧！