分类识别算法

上传数据

以下处理过程中，基于如下组织的原始数据（非必须）

每一类的图片以不同的文件夹存放。
图片示例：

最后使用zip压缩后上传即可（注意：根目录不能有中文，只能是大小写字母，数字和中划线下划线）

处理数据

构建处理上述数据的Pipeline

1. 节点：水果分类数据集
   数据节点。该数据即为上述上传的数据。
   数据为：
   

2. 节点： 正则提取
   对数据进行处理，将数据的path路径进行正则提取，创建两个新字段：type和id
   例：如数据图片path为root/JPEGImages/IMG_20180129_163826.jpg，解析完成后，type=JPEGImages, id=IMG_20180129_163826。如此解析的目的为使用type区分是数据图片还是mask图片，使用id将数据图片和mask图片进行JOIN一一对应起来。
   节点参数：
   
   输出数据：
   

3. 节点： 生成标签ID
   根据正则提取出来的文件夹名称（也就是类别名称）生成ID（从0开始生成）
   节点参数：
   
   输出数据：
   

4. 节点：保存数据集
   将最后得到的输出持久化为数据集，便于在后续流程中使用。

训练等

可以构建如下Pipeline，使用上述处理完保存的数据集作为输入

1. 节点：算法训练
   点击训练节点，可设置算法训练参数，如迭代次数，GPU数量等。参数种类和命名均与具体算法开发者提供的算法相关，以下供参考。
   

分类算法重点review参数：

• 类别数量（与选择的数据集有关）
• 迭代次数或epoch大小
  

2. 节点：算法API部署
   类似训练

3. 节点：保存模型
   为了下次再次使用该训练输出的模型进行测试或其他，最好将模型进行保存，以便进行管理。

4. 通过API查看效果
   在API部署中找到刚刚部署的API。上传测试数据。