Hugging Face AutoTrain 图像分类
Hugging Face 已将 AutoTrain 扩展至支持图像分类，使用户能够在无需编码技能或手动配置的情况下训练自定义模型对图像进行分类。此更新通过自动化模型选择和训练过程，降低了机器学习的技术门槛。
零配置模型训练
AutoTrain 提供了一个“无代码”环境，用户只需选择任务并上传数据即可训练模型。系统通过尝试多种模型架构来寻找最佳表现者，从而消除手动配置的需求。根据 Hugging Face 的说法，这种自动化方法有可能产生性能优于工程师手动训练模型的模型。
图像分类能力
图像分类模型旨在将图像划分为特定标签。潜在的使用场景包括：
- 识别签名
- 区分鸟类物种
- 识别植物疾病
只要拥有适当的数据集，用户即可构建这些分类器。
训练图像分类器的工作流
通过 AutoTrain 训练自定义图像分类器遵循结构化流程：
- 项目设置：用户在 AutoTrain 首页创建新项目并选择“Image Classification”作为任务。选择“Automatic”模型选项可让 AutoTrain 处理架构搜索。
- 数据集成：数据可以通过拖放本地文件夹的方式上传，或直接从 Hugging Face Hub 上提供的图像分类数据集获取。
- 数据集划分：用户可以提供单独的训练集和验证集，或让 AutoTrain 自动划分数据。
- 模型选择：用户指定要测试的模型候选数量。对于图像少于 500 且候选模型不超过 5 个的项目，训练免费提供。
- 评估与部署：AutoTrain 监控训练过程，并可能停止表现不佳的模型以节约资源。训练完成后，表现最佳的模型会上传至 Hugging Face Hub，用户可使用集成的推理小部件进行测试。