在許多機器視覺任務中，圖像分類是最基本的任務之一。它不僅可以用于許多實際産品中（例如圖檔标簽和AI内容稽核），而且還為許多更進階的視覺任務（例如物體檢測和視訊了解）打開了一扇門。圖像分類任務目的是判斷圖像中包含物體的類别，但是由于該領域的快速變化，往往導緻初學者無法學習。
有了Coovally，不用閱讀圖像分類的書籍，也不用參考大量論文，5步即可完成圖像分類任務！
說明：目前圖像分類任務僅支援Imagenet格式資料集,請提前準備好資料集，具體資料集要求可參考。
Imagenet格式資料集說明：
ImageNet資料庫簡介
ImageNet是由斯坦福大學李飛飛教授為了解決機器學習中過拟合和泛化的問題而牽頭建構的一種資料集。該資料集從2007年開始收集建立，2009年作為論文的形式在CVPR 2009上正式釋出。目前，該資料集已成為深度學習領域中圖像分類、檢測、定位的最常用的資料集之一。ImageNet資料集是對項目資料使用而衍生出的一種資料标注規範，是Coovally目前支援的格式之一，可用于分類任務。
分類任務資料準備
需要按如下目錄準備我們的訓練檔案：
資料層級結構
當按照上述格式上傳資料到系統時，系統會自動生成分類任務标簽，格式如下。
annotations檔案夾下應包含兩個标簽檔案，分别為label.csv和meta.json兩個檔案。label.csv檔案主要包含兩列，第一列為圖檔的位址，第二列為該行圖檔所屬的分類，如下表所示：
label.csv檔案内容
meta.json檔案格式如下：
meta.json檔案内容
各個字段的含義：
·img_count 圖檔總數量
·label_count 标簽類别數量
·label2id 标簽到id的映射
·id2label id到标簽的映射
1. 資料上傳
1.1 圖檔上傳
·圖檔資料準備
将資料中的圖檔按照标簽類型儲存在不同檔案夾下，并将所有檔案夾壓縮為一個zip格式的壓縮包。
·圖檔資料上傳
登入Coovally平台，頁面将自動跳轉到 Home頁。
點選【建立】點選下拉菜單【建立資料集】，按要求填寫參數，并将此前準備好的圖檔壓縮包拖至檔案上傳區域，點選【确定】，等待圖檔資料上傳并解析完成即可；
注意：需記住所填寫的資料集名稱，在建立标簽時，需根據資料集名稱找到對應的資料集。
1.2 标簽生成
根據上述情況上傳圖檔資料後，Coovally平台會自動解析并生成标簽檔案，模組化時隻需要選擇其即可。
2.模型訓練
2.1 資料模組化
基于此前已完成上傳的資料集，進行資料模組化，點選【資料模組化】圖示，進入資料模組化詳情頁面。
2.2 模型選擇
按要求選擇模型并填寫模型參數，再點選【下一步】，進入訓練次數及并發等參數設定。
2.3 參數配置
按要求填寫訓練參數，亦可保持預設。
點選【參數設定】進入超參數設定頁面，設定合适的超參數值，以提高模型精度或訓練模型的速度。（此操作非必填，可使用預設值）
點選【增強算法】進入算法增強頁面，篩選所需要增強的标簽類型及資料增強方法，進行資料資料增強，此操作非必選操作，但資料量較少，或資料不均衡時可嘗試進行資料增強，以提高模型精度。
2.4模型訓練
點選【開始訓練】，即可開始模型訓練，待模型訓練結束即可開始此後的模型轉化、部署、推理等操作。
3.模型轉化
注意：此處僅為模型轉化步驟示例
點選模型轉換圖示，進入模型轉換頁面，按要求選擇及填寫參數，點選開始轉換即可開始進行模型轉化，等待模型轉化完成即可。
注意：等待模型轉換期間，切勿重新整理頁面！
4.模型部署
在模型轉化完成後轉跳的界面點選點選模型部署圖示，開始模型部署。按要求選擇服務位址，再點選部署按鈕，等待部署完成。
5.模型推理
在模型部署完成後轉跳的界面，點選【本地上傳】，即可使用該圖檔進行模型推理，推理結果會直接顯示在右側的識别結果欄内。
隻需5步即可完成的圖像分類任務，還在等什麼，快來試試吧！