CV党福音：YOLOv8实现分类

news2024/9/23 3:29:33

YOLO作为目标检测领域的常青树，如今以及更新到了YOLOv10，并且还有YOLOX、YOLOS等变体，可以说该系列已经在目标检测领域占据了半壁江山，如今，YOLOv8的发行者ultralytics竟有一统江山之意，其在提出的框架中不但集成了v3到v10的YOLO目标检测模型，还包揽了分类，语义分割、目标追踪和姿态估计等计算机视觉任务。

那么，今天我们就来看看YOLOv8是如何将这些计算机视觉任务融合在一起吧

其实从思路上很简单，YOLOv8继续沿用了YOLO的基本架构，即将整个模型分为特征提取骨干网络（Backbone），用于进行特征提取，特征融合网络（Neck），用于融合提取的特征信息以及最后的检测输出模块（Head），由于前面的Backbone与Neck已经完成了特提取与特征融合的功能，而最后的输出头其实就是根据不同任务所设计的，因此，要想让YOLOv8具备分类、分割以及姿态估计的功能，只需要将我们的检测头（Detect）替换为相应的分类头、分割头以及姿态估计头即可，当然，相应的还要替换损失函数与数据集标签。

YOLOv8模型结构如下：

在这里插入图片描述

目标检测模型

那么，我们接下来便来看看YOLOv8是如何去替换的：

首先是模型结构，博主以分类为例，要修改模型结构，只需要修改对应的yaml文件即可，这里博主推荐可以参考这篇文章：YOLOv8模型yaml结构图理解（逐层分析）

YOLOv8的模型结构如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 80  # 类别数目，nc代表"number of classes"，即模型用于检测的对象类别总数。
scales: # 模型复合缩放常数，例如 'model=yolov8n.yaml' 将调用带有 'n' 缩放的 yolov8.yaml
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n概览：225层, 3157200参数, 3157184梯度, 8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s概览：225层, 11166560参数, 11166544梯度, 28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m概览：295层, 25902640参数, 25902624梯度, 79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l概览：365层, 43691520参数, 43691504梯度, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x概览：365层, 68229648参数, 68229632梯度, 258.5 GFLOPs
# YOLOv8.0n backbone 骨干层
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2 第0层，-1代表将上层的输入作为本层的输入。第0层的输入是640*640*3的图像。Conv代表卷积层，相应的参数：64代表输出通道数，3代表卷积核大小k，2代表stride步长。
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4 第1层，本层和上一层是一样的操作（128代表输出通道数，3代表卷积核大小k，2代表stride步长）
  - [-1, 3, C2f, [128, True]] # 第2层，本层是C2f模块，3代表本层重复3次。128代表输出通道数，True表示Bottleneck有shortcut。
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8 第3层，进行卷积操作（256代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为80*80*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/8。
  - [-1, 6, C2f, [256, True]] # 第4层，本层是C2f模块，可以参考第2层的讲解。6代表本层重复6次。256代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是80*80*256。
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16 第5层，进行卷积操作（512代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为40*40*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/16。
  - [-1, 6, C2f, [512, True]] # 第6层，本层是C2f模块，可以参考第2层的讲解。6代表本层重复6次。512代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是40*40*512。
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32 第7层，进行卷积操作（1024代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为20*20*1024（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/32。
  - [-1, 3, C2f, [1024, True]] #第8层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是20*20*1024。
  - [-1, 1, SPPF, [1024, 5]]  # 9 第9层，本层是快速空间金字塔池化层（SPPF）。1024代表输出通道数，5代表池化核大小k。结合模块结构图和代码可以看出，最后concat得到的特征图尺寸是20*20*（512*4），经过一次Conv得到20*20*1024。
# YOLOv8.0n head 头部层
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 第10层，本层是上采样层。-1代表将上层的输出作为本层的输入。None代表上采样的size（输出尺寸）不指定。2代表scale_factor=2，表示输出的尺寸是输入尺寸的2倍。nearest代表使用的上采样算法为最近邻插值算法。经过这层之后，特征图的长和宽变成原来的两倍，通道数不变，所以最终尺寸为40*40*1024。
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4 第11层，本层是concat层，[-1, 6]代表将上层和第6层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是40*40*1024，第6层的输出是40*40*512，最终本层的输出尺寸为40*40*1536。
  - [-1, 3, C2f, [512]]  # 12 第12层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。与Backbone中C2f不同的是，此处的C2f的bottleneck模块的shortcut=False。
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 第13层，本层也是上采样层（参考第10层）。经过这层之后，特征图的长和宽变成原来的两倍，通道数不变，所以最终尺寸为80*80*512。
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3 第14层，本层是concat层，[-1, 4]代表将上层和第4层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是80*80*512，第6层的输出是80*80*256，最终本层的输出尺寸为80*80*768。
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small) 第15层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。256代表输出通道数。经过这层之后，特征图尺寸变为80*80*256，特征图的长宽已经变成输入图像的1/8。
  - [-1, 1, Conv, [256, 3, 2]] # 第16层，进行卷积操作（256代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为40*40*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样）。
  - [[-1, 12], 1, Concat, [1]]  # cat head P4 第17层，本层是concat层，[-1, 12]代表将上层和第12层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是40*40*256，第12层的输出是40*40*512，最终本层的输出尺寸为40*40*768。
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium) 第18层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。经过这层之后，特征图尺寸变为40*40*512，特征图的长宽已经变成输入图像的1/16。
  - [-1, 1, Conv, [512, 3, 2]] # 第19层，进行卷积操作（512代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为20*20*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样）。
  - [[-1, 9], 1, Concat, [1]]  # cat head P5 第20层，本层是concat层，[-1, 9]代表将上层和第9层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是20*20*512，第9层的输出是20*20*1024，最终本层的输出尺寸为20*20*1536。
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large) 第21层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数。经过这层之后，特征图尺寸变为20*20*1024，特征图的长宽已经变成输入图像的1/32。
  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5) 第20层，本层是Detect层，[15, 18, 21]代表将第15、18、21层的输出（分别是80*80*256、40*40*512、20*20*1024）作为本层的输入。nc是数据集的类别数。

分类模型结构

接下来，我们看一下YOLOv8用于分类的模型结构，可以看到，除了最后的Head模块发生了改变，Backbone部分并没有明显改动（分类的Backbone还是去掉了SPPF模块的），并且，分类直接去掉了特征融合模块（Neck），直接连接了分类头，这说明分类相较于检测更简单些。

nc: 1000 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n-cls.yaml' will call yolov8-cls.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]
  s: [0.33, 0.50, 1024]
  m: [0.67, 0.75, 1024]
  l: [1.00, 1.00, 1024]
  x: [1.00, 1.25, 1024]

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]

# YOLOv8.0n head
head:
  - [-1, 1, Classify, [nc]] # Classify

具体的，可以通过分类头的代码来查看其输出的结果：\ultralytics\nn\modules\head.py

class Classify(nn.Module):
    """YOLOv8 classification head, i.e. x(b,c1,20,20) to x(b,c2)."""

    def __init__(self, c1, c2, k=1, s=1, p=None, g=1):
        """Initializes YOLOv8 classification head with specified input and output channels, kernel size, stride,
        padding, and groups.
        """
        super().__init__()
        c_ = 1280  # efficientnet_b0 size
        self.conv = Conv(c1, c_, k, s, p, g)
        self.pool = nn.AdaptiveAvgPool2d(1)  # to x(b,c_,1,1)
        self.drop = nn.Dropout(p=0.0, inplace=True)
        self.linear = nn.Linear(c_, c2)  # to x(b,c2)

    def forward(self, x):
        """Performs a forward pass of the YOLO model on input image data."""
        if isinstance(x, list):
            x = torch.cat(x, 1)
        x = self.linear(self.drop(self.pool(self.conv(x)).flatten(1)))
        return x if self.training else x.softmax(1)

由Debug可知，其输入到分类头的数据维度为torch.Size([1, 256, 7, 7])，分类头结构如下，可以看到，其最终输出结果的维度为（1，1000），对应1000个类别。

Classify(
  (conv): Conv(
    (conv): Conv2d(256, 1280, kernel_size=(1, 1), stride=(1, 1))
    (act): SiLU(inplace=True)
  )
  (pool): AdaptiveAvgPool2d(output_size=1)
  (drop): Dropout(p=0.0, inplace=True)
  (linear): Linear(in_features=1280, out_features=1000, bias=True)
)

分类推理

from ultralytics import YOLO
model = YOLO("yolov8n-cls.pt")  # load an official model
model.predict("image.jpg",save=True)

YOLO模型能够根据pt文件来获取当然模型所进行的任务，pt文件中包含任务类型task，模型的yaml文件，predict方法也因此可以根据其任务类型选择不同的推理形式，结果如下：其分类为泰迪，应该是泰迪熊的意思，当然它应该是分错的，人家明明是猫好吧。

在这里插入图片描述

分类训练

分类开始训练代码如下，当然这里可以直接传入YOLO8n-cls的预训练模型，因为pt文件包含这些yaml文件内容的

from ultralytics import YOLO
if __name__ == '__main__':
# 代码
    model = YOLO("ultralytics\cfg\models/v8\yolov8-cls.yaml").load("yolov8n-cls.pt")  # build from YAML and transfer weights
    results = model.train(data="imagenette160", epochs=100, imgsz=64)

此外，需要更改的便是训练过程中的数据集与损失函数了
分类损失定义在：\ultralytics\utils\loss.py

class v8ClassificationLoss:
    """Criterion class for computing training losses."""
    def __call__(self, preds, batch):
        """Compute the classification loss between predictions and true labels."""
        loss = F.cross_entropy(preds, batch["cls"], reduction="mean")
        loss_items = loss.detach()
        return loss, loss_items

batch即真实类别标签，由于batch=16，因此共有16个标签，数字即对应的类别索引，preds为预测结果，维度为（16，10），即有16个预测结果，10为类别格式，其结果为16张图像的各个类别得分。

在这里插入图片描述

loss.detach()返回一个新的tensor，从当前计算图中分离下来的，但是仍指向原变量的存放位置,不同之处只是requires_grad为false，得到的这个tensor永远不需要计算其梯度，不具有grad。

在这里插入图片描述

最终的分类训练结果

在这里插入图片描述

F.cross_entropy函数是torch提供的用于求交叉熵损失函数的工具包，其用法为：F.cross_entropy(input, target)
交叉熵公式：

在这里插入图片描述

其中P为真实值，Q 为预测值。
计算交叉熵的详细步骤：

①将predict_scores进行softmax运算，将运算结果记为pred_scores_soft；
②将pred_scores_soft进行log运算，将运算结果记为pred_scores_soft_log；
③将pred_scores_soft_log与真实值进行计算处理。
思路即：

scores→softmax→log→compute

计算案例如下：
在这里插入图片描述

分类评价指标

accuracy_top-1
就是你预测的label取最后概率向量里面最大的那一个作为预测结果，如果你的预测结果中概率最大的那个分类正确，则预测正确。否则预测错误
accuracy_top-5
就是最后概率向量最大的前五名中，只要出现了正确概率即为预测正确。否则预测错误。

由此可以看出，top5一般比top1大
与目标检测一样，YOLOv8的分类结果也会被保存，如下：

在这里插入图片描述
混淆矩阵

在机器学习领域，混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵要表达的含义：

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；
每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目；每一列中的数值表示真实数据被预测为该类的数目。
在这里插入图片描述

在这里插入图片描述
batch推断结果可视化

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1990010.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

基于Springboot+Vue3的简易教学管理系统

基于Springboot+Vue3的简易教学管理系统

作品展示 基于SpringbootVue3的简易信息教学管理系统 第1章 系统设计 1.1 系统功能模块设计 该系统实现的功能模块包括： 教师端： 学生信息管理：添加、删除、修改以及查询学生信息 √课程信息管理：添加、删除、修改以及查…
阅读更多...
智慧图书馆：构建高效视频智能管理方案，提升图书馆个性化服务

智慧图书馆：构建高效视频智能管理方案，提升图书馆个性化服务

一、背景分析 随着信息技术的飞速发展，智慧图书馆作为现代公共文化服务的重要载体，正逐步从传统的纸质阅读空间向数字化、智能化方向转型。其中，视频智能管理方案作为智慧图书馆安全管理体系的重要组成部分，不仅能够有效提升图书…
阅读更多...
深入浅出Mysql 第二期

深入浅出Mysql 第二期

从更新语句中看日志系统 探究技术的本质，享受技术的乐趣！由于时间原因以及自己的原因导致拖更了，不过没关系，我保证后面每天一更，周末休息！好了，闲话少说，今天我们通过一个更新操作…
阅读更多...
数组案例练习进阶版---对数组中的元素进行排序（冒泡法）

数组案例练习进阶版---对数组中的元素进行排序（冒泡法）

在上篇文章中，我们一起学习了常用排序法中的选择排序法，今天，我们将一起来学习新的排序方法——冒泡法排序 那么首先，什么是冒泡法呢？ 首先，第一列，我们有四个大小不一的球，我们称最…
阅读更多...
4款ai 制作 ppt工具帮你提高工作效率

4款ai 制作 ppt工具帮你提高工作效率

在这个高度重视可视化展示的环境当中，PPT在许多的场合中都骑着非常重要的作用，但PPT制作过程却常常令人感到烦恼。而最近我发现了4个堪称神器的PPT制作工具，可以分享给大家。 1、笔灵 ppt 直通车：https://ibiling.cn/ppt-zone 这…
阅读更多...
数据结构与算法 - 红黑树

数据结构与算法 - 红黑树

一、概述 1. 历史 红黑树是一种自平衡二叉查找树，最早由一名叫Rudolf Bayer的德国计算机科学家于1972年发明。然而，最初的树形结构不是现在的红黑树，而是一种称为B树的结构，它是一种多叉树，可以用于在磁盘上存储大量…
阅读更多...
美国司法部对谷歌反垄断案的最新进展，Google每年给苹果200亿？

美国司法部对谷歌反垄断案的最新进展，Google每年给苹果200亿？

本文首发于公众号“AntDream”，欢迎微信搜索“AntDream”或扫描文章底部二维码关注，和我一起每天进步一点点 美国司法部对谷歌反垄断案的前因和最新进展 美国司法部对谷歌的反垄断案是一个复杂且历时长久的法律过程，其核心争议在于谷歌是否利…
阅读更多...
CentOS 7.6 安装 Weblogic

CentOS 7.6 安装 Weblogic

注：本教程是以虚拟机作为安装环境，如果您公司需要安装 Weblogic 服务器，请先以虚拟机模拟安装一遍，否则出现失误，概不负责😁。 一、环境 虚拟机：VMware Workstation 16 Linux：Cent…
阅读更多...
@Autowired提示：Field injection is not recommended

@Autowired提示：Field injection is not recommended

1、问题 在项目升级版本过程中，Autowired提示Field injection is not recommendedField injection is not recommended Inspection info: Reports injected or autowired fields in Spring components. The quick-fix suggests the recommended constructor-based d…
阅读更多...
Linux 下查看 CPU 使用率

Linux 下查看 CPU 使用率

目录 一、什么是 CPU 使用率二、查看 CPU 利用率1、使用 top 查看2、用 pidstat 查看3、用 ps 查看4、用 htop 查看5、用 nmon 查看6、用 atop 查看7、用 glances 查看8、用 vmstat 查看9、用 sar 查看10、dstat11、iostat 三、总结 CPU 使用率是最直观和最常用的系统性能指标&…
阅读更多...
Linux下自动监控进程运行状态

Linux下自动监控进程运行状态

目录 背景应用举例1、使用crontab脚本监控服务2、使用shell脚本监控服务2.1 编写自定义监控脚本2.2 运行脚本 背景 假设有一个服务需要长期运行，但可能会由于某种原因导致服务意外停止，不能及时发现，某天来到公司后发现出问题了才意识到服务…
阅读更多...
【linux】curl命令用法

【linux】curl命令用法

curl命令认识 curl命令其实在平常工作中就已经在使用了，但是一直没有系统看过，就在这记录下，以后要用的话，可以在这儿查阅。 curl命令写的更清楚一点其实是cURL（client url，客户端URL或者command url命令…
阅读更多...
时间复杂度计算方法以及常见题型

时间复杂度计算方法以及常见题型

时间复杂度是衡量算法运行时间随输入规模增长而增长快慢的一种度量方式。它并不是指算法在特定硬件上的实际运行时间，而是算法在理想环境下执行时间的增长趋势。计算时间复杂度时，我们主要关注算法中执行次数最多的操作（即基本操作&#xff0…
阅读更多...
算法板子：匈牙利算法——二分图的最大匹配

算法板子：匈牙利算法——二分图的最大匹配

目录 1. 基础概念 （1）二分图的概念 （2） 匈牙利算法的作用 2. 代码 1. 基础概念 （1）二分图的概念 顶点集 V 分为两个集合，且图中每条边依附的两个顶点都分属于这两个子集，也就是第…
阅读更多...
了解反向代理如何工作吗？

了解反向代理如何工作吗？

在当今数字化时代，网络通讯扮演着重要的角色，而代理技术为网络通讯提供了更多的灵活性和安全性。作为两种重要的代理技术，代理服务器和反向代理的运行原理和用途各有不同。本文将重点介绍反向代理的运行原理，深入探讨其在网络通讯…
阅读更多...
运动耳机哪款好？多方位实测五大风靡网络的爆款，第一款竟然连奥运冠军都在用

运动耳机哪款好？多方位实测五大风靡网络的爆款，第一款竟然连奥运冠军都在用

随着健康意识的提升，将骨传导耳机作为运动伴侣的国人日益增多，其市场年度销售额已突破新高。然而，作为深耕运动装备领域多年的专家，我深感有责任告诫广大运动爱好者，在选择骨传导耳机时，务必保持警惕&#…
阅读更多...
PD虚拟机共享文件夹 PD虚拟机共享蓝牙设备怎么设置 PD虚拟机如何共享文件

PD虚拟机共享文件夹 PD虚拟机共享蓝牙设备怎么设置 PD虚拟机如何共享文件

PD虚拟机（Parallels Desktop）是为有双系统使用需求人士设计的Mac系统软件。PD虚拟机可以在Mac电脑中设置Windows系统的应用软件。有了PD虚拟机的帮助，大家可以直接在Mac系统中使用其他如Windows的虚拟机系统，除此以外，…
阅读更多...
软件RAID配置实战（2个案例场景）

软件RAID配置实战（2个案例场景）

文章目录 3、软件RAID管理-mdadm工具安装mdadm组件格式示例选项说明mdadm命令其它常用选项 4、相关查询命令查看创建RAID的进度查看RAID磁盘详细信息查看文件系统的磁盘空间使用情况 5、RAID配置示例场景1：RAID5步骤 场景2：RAID10步骤 6、移除RAID阵列 接…
阅读更多...
031_java.util.concurrent.CopyOnWriteArrayList

031_java.util.concurrent.CopyOnWriteArrayList

继承体系 CopyOnWriteArrayList存在的目的是为了解决在高并发下list的读写。设计上希望只阻塞写行为，不会阻塞读行为。CopyOnWriteArrayList设计就基于此，在内部含有ReentrantLock用作修改时加锁，CopyOnWriteArrayList下有很多可以写方法&…
阅读更多...
三种向量相似度计量方法——欧式距离、余弦相似度、皮尔逊相关系数

三种向量相似度计量方法——欧式距离、余弦相似度、皮尔逊相关系数

1、欧式距离 欧氏距离在机器学习可以清晰展示不同对象的相似程度。 欧式距离是最直观的距离度量方法之一，它衡量两个点之间的直线距离, 较小的欧式距离意味着较高的相似度。 分类——K近邻算法（KNN）：需要对一个新的样本进行分类…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023