如何对图像进行聚类

文章来源：https://medium.com/voxel51/how-to-cluster-images-6e09bdff7361

2024 年 4 月 10 日

使用 FiftyOne、Scikit-learn和特征嵌入

在 2024 年深度学习的计算密集型环境中，集群一词最常出现在讨论 GPU 集群时--高度优化的矩阵乘法机器的大规模集合，用于训练同样大规模的生成模型。每个人都专注于训练更大、更好的模型，挑战人工智能模型性能的极限，并将最新的架构进展应用于他们的数据。

在本文中，我们将介绍聚类的基础知识，并向你展示如何使用开源机器学习库 Scikit-learn 和 FiftyOne 来构建可视化数据！

什么是聚类？

集群的构建模块

想象一下，你有一大堆各种形状和大小的乐高积木散落在地板上。到了该把乐高积木收起来的时候，你却发现自己没有一个足够大的垃圾桶来存放所有的乐高积木。幸运的是，你找到了四个较小的垃圾桶，每个都能容纳大致相同数量的乐高积木。你可以把各种乐高积木随意扔进每个垃圾桶，然后就可以收工了。但这样一来，下次你再去找某个特定的乐高积木时，就得花很多时间四处寻找了。

相反，你有一个更好的主意：把相似的乐高积木放在同一个垃圾桶里，会为你节省很多时间和麻烦。但是，你打算用什么标准来把乐高积木放进垃圾桶呢？是给不同颜色的乐高积木分配不同的盒子？还是把所有的方形乐高积木放在一个盒子里，圆形乐高积木放在另一个盒子里？这真的取决于你有哪些乐高积木！简而言之，这就是聚类。

更正式地说，聚类或聚类分析是一套对数据点进行分组的技术。聚类算法接收一堆对象，然后为每个对象分配任务。不过，与分类法不同的是，聚类算法并不是从一个类别列表开始对对象进行分类，迫使对象落入预设的桶中。相反，聚类试图根据数据发现不同的类别。换句话说，聚类的目的是发现数据中的结构，而不是预测预先存在的结构中的标签。

最后一点值得重复：聚类不是预测标签。与分类、检测和分割任务不同，聚类任务没有基本真实标签。我们将这种算法称为无监督算法，与有监督和自监督学习任务形成鲜明对比。

更重要的是，聚类是无需训练的。聚类算法会吸收数据点（对象）的特征，并利用这些特征将对象分成若干组。一旦成功，这些组就会突出独特的特征，让你了解数据的结构。

聚类是如何工作的？

聚类是一个包含技术的总称！

聚类算法有多种类型，根据其用于分配聚类成员资格的标准而有所区别。最常见的几种聚类算法是：

基于中心点的聚类：例如 K-means 聚类和均值移动聚类等技术。这些方法试图找到中心点来定义每个聚类，这些中心点被称为 "中心点"，其目的是最大限度地提高聚类内