图像分类
该插件的应用方面包括：
- 通过图形交互界面录入图像/姿态/声音素材，在录入素材的环节中可以清楚看到已经添加的分类和录入的素材，以及支持删除特定某一个分类或素材
- 即时训练，完成后可预览识别效果，可重复编辑素材与训练，直到满意后可一键导出成编程积木块使用
- 素材和模型文件可作为项目单独存储，下一次在新的作品中可导入使用
快速开始
添加插件一下，默认是没有积木块可用的，我们需要先完成素材的训练，再导出为可用的积木块
- 打开模型训练工具
- 选择一个想要实现的分类功能，开始接下来的数据收集与模型训练
先不必理会 导入训练项目，后续会讲解如何存储与导入。
- 随机进入一个 图像分类 的界面，来大致认识一下数据收集和训练的界面功能
- 如果你选择从本地图片上传素材，可以多选图片一起上传，但需要注意，图片的尺寸最好是1:1，否则上传后也会被压缩到1:1
图像分类
关键技术：
- 卷积神经网络（CNN）：用于图像特征提取和分类。
- 数据增强：通过旋转、翻转、缩放等方式增加数据多样性。
处理环节：
- 数据收集：用户提供图像样本 （交互环节）
- 特征提取：CNN自动提取图像中的重要特征（内部环节）
- 模型训练：使用提取的特征进行模型训练，调整模型参数以提高分类准确性（内部环节）
- 图像预测：模型对新图像进行分类，输出预测结果 （交互环节）
01 - 数据收集
接下来将尝试一个最简单的，只有2个分类（空状态和马克杯）的项目带同学们快速了解应用过程
- 首先理清我们需要制作的，是一个可以分辨是否有马克杯的模型，1个分类叫做 “无”，另一个叫做 “马克杯”，接下来使用摄像头开始采集数据
- 采集分类“无”，尽量让采集的素材画面统一，但内容物可以状态随机一些
所谓的画面统一，内容物状态可以随机一些，大概理解为：
通过大量的素材，让机器搞清楚规律，类比人类多次看到同一个场景，会渐渐熟悉。即使这个场景画面里有些东西比较杂乱，甚至可能每次摆放的位置角度不完全一样，亦或者有人在背景里，每次的姿势和角度也都不太一样，但只要这个素材录入足够多，机器就可以大概认识这个场景，从而与其他的分类做出差异辨认。
- 采集分类“马克杯”，我会在同一个场景下，让马克杯出现在画面中，通过
内容物的状态可以随机一些这个规则，我们录制的马克杯可以远、可以近，可以角度不一致。
- 这样我们就拥有了2个分类，且有足够的素材，可以开始训练了（素材数量建议每种分类10个以上）
- 随着素材的数量多少，训练可能会花费一些时间，完成训练后在右侧可以体验训练识别结果
- 从上面的识别结果看来，非常完美。只要识别可信度在80%以上都数据成功的模型，我们可以点击 使用模型 将模型导出成积木块回到编程界面使用
通常分类的数量越多，可信度的标准可以适当降低，通过观察大概在60%以上，即可认为效果不错。
- 使用模型后将自动回到编程界面，在插件分栏会出线图像分类相关的积木块，可以直接用于编程。
02 - 图像预测
开始图像预测前，先来认识一下相关积木块的功能
- 首先打开识别窗口，并搭建一个最基础的识别程序：让小猫说出识别结果和可信度
- 接下来我们不仅要显示，还要把它与角色的其他功能联动。例如希望别到马克杯的时候播放声音：“干杯”。那么现在先来录制一个“干杯”的声音。
- 录制后，截取有效片段后保存
- 可以修改声音的名称，这样比较直观。修改完后回到
代码区开始编写程序
- 增加1个如何..那么..判断语句来完成这个识别到马克杯播放“干杯”音效的效果。
- 但是你会发现当一直识别到马克杯的时候，干杯音效持续播放，未免有些傻呼呼，那么如果要让它第一次识别到马克杯时播放且只播放一次呢？这可能需要引入变量来控制这个状态，这很麻烦，所以这个时候帽子事件积木块就发挥作用了，这样就能够只在识别结果改变的那一刻触发，而不会持续播放“干杯”啦～
