图像数据基础：图像格式、分辨率、颜色通道、标注概念与分类标签设计
在Edge Impulse中训练视觉分类模型，第一步并非调整神经网络结构，而是深刻理解输入数据的本质。图像数据是模型感知世界的唯一窗口，其格式、分辨率、颜色通道以及标注方式直接决定了模型的上限。本章将系统拆解这些基础概念，并重点探讨在资源受限的嵌入式场景下，如何设计出既符合业务逻辑又利于模型收敛的分类标签体系。
3.1 图像格式与存储：从像素到文件
图像在计算机中本质是一个二维数组，每个元素称为像素（Pixel）。对于灰度图，每个像素用一个0-255的整数表示亮度；对于彩色图，每个像素由多个通道组成，最常见的是RGB三通道。图像格式决定了这些像素数据如何被编码和压缩存储。
核心原理：有损与无损压缩
在Edge Impulse项目中，图像格式的选择直接影响上传速度、存储占用和预处理开销。JPEG（.jpg）采用有损压缩，通过丢弃人眼不敏感的细节来大幅减小文件体积，适合自然场景照片；PNG采用无损压缩，保留所有像素信息，适合包含文字、图表的截图或需要精确边缘的工业图像；BMP完全不压缩，文件体积巨大，在嵌入式场景中极少使用。Edge Impulse后端会自动将上传的图像统一转换为内部处理格式，但原始格式会影响上传带宽和标注时的加载速度。
判断方法：如何选择图像格式
| 格式 | 压缩方式 | 适用场景 | Edge Impulse建议 |
|---|---|---|---|
| JPEG | 有损 | 自然图像、光照变化大的场景 | 首选，质量85 |
| PNG | 无损 | 屏幕截图、图形、需要精确边缘 | 小数据集时使用 |
| BMP | 无压缩 | 极少使用 | 避免使用 |
3.2 分辨率与颜色通道：平衡细节与计算量
分辨率决定了图像包含的像素总数，直接影响模型输入层的维度。Edge Impulse的DSP（数字信号处理）模块会将图像缩放到固定尺寸，但原始分辨率决定了缩放后的信息保留程度。颜色通道则决定了模型能利用的色彩信息量。
核心原理：分辨率与模型性能的权衡
高分辨率图像保留更多细节，但会导致：1）预处理时间增加；2）模型参数量增大；3）推理时延上升。对于嵌入式视觉，通常目标是在保持足够分类精度的前提下，使用尽可能低的分辨率。Edge Impulse默认支持96×96、160×160、320×320等选项。颜色通道方面，灰度图将RGB三通道压缩为单通道，计算量减少约2/3，但会丢失颜色区分能力。例如，区分红色药丸和蓝色药丸时，灰度图几乎无法完成。
操作流程：在Edge Impulse中配置图像参数
- 进入Dashboard，点击右上角"Add Data"上传图像。
- 在"Data acquisition"页面，选择目标类别（Label）并上传对应图像。
- 在"Preprocessing"（预处理）模块中，选择图像尺寸（Image size）。
- 选择颜色通道：RGB或Grayscale（灰度）。
- 点击"Save parameters"保存，系统将自动对所有图像执行缩放和通道转换。
3.3 标注概念与分类标签设计
标注是为图像赋予语义标签的过程。对于分类任务，每张图像对应一个全局标签；对于检测任务，则需要标注边界框（Bounding Box）和类别。标签设计的质量直接决定模型能否学到有效的决策边界。
核心原理：标签的互斥性与完备性
分类标签必须满足两个核心条件：互斥性——每个样本只能属于一个类别，不能出现"猫"和"宠物"同时作为标签的情况；完备性——所有可能出现的输入都应被某个标签覆盖，否则模型在遇到未知类别时会强制归类到最相似的已知类，导致误判。在Edge Impulse中，标签通过数据集的文件夹结构或CSV文件定义，每个标签对应一个输出神经元。
标签设计方法：从业务目标到类别定义
| 设计步骤 | 关键问题 | 示例（质检场景） |
|---|---|---|
| 1. 明确业务目标 | 需要区分哪些状态？ | 合格品 vs 划痕品 vs 污渍品 |
| 2. 定义类别边界 | 类别之间是否清晰可分？ | 划痕和污渍是否可能同时存在？ |
| 3. 考虑负样本 | 是否需要"背景"或"未知"类？ | 传送带空载时的图像 |
| 4. 评估类别平衡 | 各类别样本数量是否接近？ | 合格品占90%，需采集更多缺陷样本 |
案例拆解：工业零件分拣的标签设计
背景与约束：某工厂需要自动分拣三种金属垫圈（圆形、方形、六角形），传送带速度为每秒2个，使用STM32H7系列MCU，内存有限。初始方案直接使用"圆形""方形""六角形"三个标签。
初始现象：模型在测试集上准确率达97%，但实际部署时频繁将传送带空载时的图像误判为"圆形"。分析发现，空载时传送带表面纹理与圆形垫圈的边缘特征相似。
分析判断：问题在于标签体系缺少"空载"状态，模型被迫将空载图像归类到最接近的类别。解决方法是增加一个"空载"标签，并采集500张空载图像。
实际操作：1）在Edge Impulse中新建"empty"标签；2）采集传送带空载图像500张，覆盖不同光照和速度；3）重新训练模型，将"empty"类加入输出层；4）部署后测试，误判率从3%降至0.2%。
结果对比：增加"空载"类后，模型参数量仅增加约0.5%，但实际误判率降低了一个数量级。代价是需要额外采集数据，且训练时间略有增加。
复盘经验：标签设计必须覆盖部署环境中的所有可能输入状态，而不仅仅是目标物体本身。在嵌入式场景中，由于计算资源有限，模型对未知输入的鲁棒性更差，完备的标签体系尤为重要。
3.4 常见误区与总结复盘
在图像数据准备阶段，以下误区会显著影响模型性能，需要特别注意。
误区一：分辨率越高越好
高分辨率确实能保留更多细节，但Edge Impulse的DSP模块在缩放图像时，如果原始图像过大（如4000×3000），缩放算法会丢失高频信息，且预处理时间急剧增加。对于MCU部署，建议原始图像分辨率不超过1280×720，这样缩放至96×96时仍能保留主要特征。
误区二：忽略颜色通道的选择
灰度图能显著减少计算量，但并非所有任务都适合。如果目标物体与背景的颜色差异是主要区分特征（如红色零件在黑色传送带上），则必须使用RGB。反之，如果任务依赖纹理或形状，灰度图可能更高效，因为模型不会过度依赖颜色特征，泛化能力更强。
误区三：标签类别过于细化
例如，将"苹果"细分为"红苹果""青苹果""黄苹果"，如果实际部署时只需区分"苹果"和"非苹果"，这种细化会增加模型复杂度，且需要更多训练样本。标签粒度应与业务决策需求对齐，而非追求学术上的完备分类。