图像识别是计算机视觉的基石，很多更高级的任务（如检测、分割、跟踪）都建立在识别的基础之上，常用作衡量视觉模型性能的基础。图像识别指的是让计算机理解图像内容，输出结果，目标是让机器“看懂”图像。而深度学习通过模仿人脑的工作原理，让计算机能够从数据中学习。在图像识别任务中，深度学习模型能够自动识别图片中的模式和特征，如边缘、形状和颜色，进而识别出图中的对象。
常见的图像识别任务有以下四大类：
-
图像分类
定义：图像分类是计算机视觉中最基本的任务之一，其目标是根据图像的内容将其归类到预定义的类别中。可简单理解为：输入一张图片 → 输出它属于哪个类别。
例如：在二分类问题中，给定一张人的照片，模型输出“人”；在工业检测中，给定一个零件图像，模型输出“OK / NG”。
-
目标检测
定义：不仅需要识别图像中的对象类别，还需要确定这些对象在图像中的精确位置，通常通过绘制边界框来实现。在自动驾驶、视频监控等应用至关重要。
-
语义分割
定义：语义分割是一种图像分割技术，它旨在为图像中的每个像素分配一个类别标签。和图像分类（对整张图像分类）或目标检测（检测并框出物体）不同，语义分割要对每一个像素进行分类）。
举例：在人群中，可以用像素点来显示出人的位置，会比目标检测更精确；在工业质检中，缺陷检测可以通过语义分割的原理来精确标注裂纹、划痕、异物的区域；
-
实例分割
实例分割是图像分割的一个子集，它不仅要区分图像中的不同对象类别，还要区分属于同一类别的不同实例(即不同的个体)。与图像分割的区别在于，实例分割不仅识别对象类别，还识别不同对象实例之间的差异，为每个对象实例分配一个唯一的标识符。
举例：一张图里有 一群人，语义分割将这这群人的像素标注为“人”，而实例分割不仅标注为“人”，还会区分谁是小红、小明、李华……
深度学习图像分割主要有语义分割、实例分割和全景分割，三者关系也是从易到难。语义分割关注整体的类别分配，识别图像中的每个像素所属的对象类别。而实例分割关注
分割精度指标：
主要用于评估模型在像素级别预测上的好坏。常用的指标和分类/检测有所不同，更关注 像素重叠情况和区域一致性。下面分享工业检测领域中常见的精度指标：
-
交并比 (Intersection over Union, IoU)
交叉比（IoU）是用来衡量预测分割区域与真实分割区域之间重合程度的指标。IoU 越接近 1，说明预测越准确。
-
准确率 (Pixel Accuracy)
准确率是衡量所有像素中被正确分类的比例。
TP：表示一个样本被预测为正类，并且真实标签为正类
FN：表示一个样本被预测为反例，但是真实标签为正例
FP：表示一个样本被预测为正例，但是真实标签为反例
TN：表示一个样本为预测为反例，并且真实标签为反例
图像识别让机器看懂图像里有什么，而图像分割让机器看懂图像中的每个像素属于什么。二者关系可以理解为：图像识别可以看作是分割的“简化版本”，分割是识别的“精细化版本”。在工业质检中，图像识别 先判断零件合格/不合格；图像分割 则能精确标出缺陷的位置、形状和面积。
