【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】
所谓图像识别，就是对图像进行分类处理，比如说判断图像上面的物体是飞机、还是蝴蝶。在深度学习和卷积神经网络CNN不像现在这样大行其道之前，大部分图像分类使用的还是传统机器学习的方法，比如说支持向量机，也就是svm。在特定的场合，如果图像本身质量比较高的话，使用svm做图像训练和预测还是非常合适的。今天，我们就来了解下qmacvisual是如何做图像训练和分类的。
1、创建工程和创建流程
要做好图像分类，首先需要创建一个工程、同时创建一个流程，这是基础。
2、使用图像分类的插件
图像插件的位置位于【检测识别】-》【分类器】下面。把插件拖到界面上，然后单击之后，如果不出意外，我们就可以看到这样的界面窗口，
如果仅仅是对图像进行训练，那么只需要做好中间的三个部分就可以了。这三个部分是选择图像的标签，也就是当前图像属于哪一类，里面其实就是1、2、3、4、5这样的内容。第二行就是配置哪些图像文件参与训练，大家在使用的时候，需要把文件里面图像的位置修改成自己本地目录实际图像的位置。最后一行，就是提示我们，训练之后图像相关模型参数文件应该放哪里。如果这三行都ok了，那么就可以点击训练模型按钮，开始图像训练了。
训练完毕之后，就可以使用这个模型进行预测了。有三个地方需要进行处理。第一个就是需要关联一下输入图像的位置。第二个就是加载一下模型的位置，这个模型文件可以是刚刚训练好的那个模型。第三个就是在tab页面上的参数设置，给每一个类别起一个名字，这样后面预测的时候，就可以在图片的左上方添显示相应的类别打印。
这一切都准备好了之后，我们就可以开始图片预测了。注意，测试的图片最好不要是之前训练的图片，而应该用专门的测试图片来进行验证，不然没有办法判断当前的模型是否ok。我们这里输入了一个camera的图片，看下执行效果，
本身qmacvisual还提供了很多其他测试的图片，大家可以去一一进行判断和练习。
3、完整的测试流程
整个测试训练和测试是分开来的。所以，如果是完整的测试，一般前面还会多一个图像加载的操作，界面上看是这样的，
4、实际使用
不管是生活中还是工厂制造领域，对于图像的分类是很常见的一个需求。很多时候，我们其实知道在什么位置，图像会发生变化，这个时候就是希望有一个软件能够告诉我们发生了什么样的变化。所以，这种场景就是典型的分类问题。另外一种稍微复杂一点的，就是定位和分类问题。不仅要知道是哪些物体，还需要知道他们在什么地方，这一类的问题一般用yolo去进行解决，效果也是非常好的，大家可以在课后多多实践、多多练习一下，相信也会有蛮多的收获。
