1. 模型在做什么？
把一张图片当作数字矩阵输入。前面的卷积层会学习边缘、纹理、形状等视觉模式；后面的全连接层把这些模式映射成“属于每个类别的概率”。
Online Lab / Image Classification
图像分类在线训练（按流程）
原理介绍（教学版）
2. 为什么要先采集素材？
模型不会“天生认识你的分类”。它只能从你采集的样本中学习。如果每个类别样本差异明显、数量够，模型会更容易学会区分。
3. 训练阶段做了什么？
每轮训练都会：前向计算预测结果 → 与真实标签比较误差（loss）→ 反向传播更新参数。重复多轮后，预测会逐步变准。
4. 推理阶段怎么看结果？
推理不会再更新参数，只输出各类别概率。概率最高的类别就是当前判定结果。实时推理就是把这个过程持续作用在摄像头视频帧上。
完整执行思路（从 0 到 1）：
A. 定义分类（你关心的类别）
B. 用摄像头采集每类样本（保证角度、光线、距离有变化）
C. 统一预处理（缩放到 64x64，归一化到 0~1）
D. 本地训练（epochs/batch 决定学习强度和速度）
E. 实时摄像头推理验证效果
给非专业用户的实操建议：
1) 每类先采集 30~80 张，类别间背景尽量区分。
2) 训练后如果经常混淆，优先补“容易误判”的样本，而不是盲目加轮次。
3) 模型是“小而快”的教学模型，不追求工业级精度，重点是理解训练与推理闭环。
A. 定义分类（你关心的类别）
B. 用摄像头采集每类样本（保证角度、光线、距离有变化）
C. 统一预处理（缩放到 64x64，归一化到 0~1）
D. 本地训练（epochs/batch 决定学习强度和速度）
E. 实时摄像头推理验证效果
给非专业用户的实操建议：
1) 每类先采集 30~80 张，类别间背景尽量区分。
2) 训练后如果经常混淆，优先补“容易误判”的样本，而不是盲目加轮次。
3) 模型是“小而快”的教学模型，不追求工业级精度，重点是理解训练与推理闭环。
步骤 1：输入素材（按类别采集训练样本）
摄像头未开启。
请先添加至少 2 个类别并采集样本。
步骤 2：训练模型（浏览器本地训练）
等待训练...
步骤 3：实时摄像头推理
请先完成训练，然后点击“打开并开始实时推理”。