提问：如何判断任务类型？答：如何判断深度学习模型的任务类型两种途径：看模型来源 / 用途、看模型输出张量 shape（Netron 工具）、看数据集、看输出层算子。1、从模型名字、数据集、用途直接判断（最优先）表格任务类型典型模型名称、数据集、用途单标签图像分类GoogLeNet、Inception、ResNet、MobileNet；数据集 ImageNet；一张图只有一个主物体，输出哪一类。多标签分类一张图可以同时存在多个物体；例如图片同时有猫 + 狗；输出每一类独立 0‑1 置信。目标检测YOLOv3/v4/v5/v8、SSD、Faster‑RCNN；输出物体坐标框 (x,y,w,h)+ 类别 + 置信度。语义分割U‑Net、DeepLab；输出一张和输入尺寸接近的图，每个像素预测类别。实例分割Mask‑RCNN；检测框 + 每个物体像素掩码。回归任务人脸关键点、角度预测、距离估算；输出连续浮点数，不是类别编号。例子：bvlc_googlenet.caffemodel、tensorflow_inception_graph.pb→ ImageNet，单标签分类。yolov3.cfg + yolov3.weights→ YOLO，目标检测。2、Netron 看输出张量 shape（核心手段，拿到未知模型也可以判断）Netron 打开模型，看网络最末尾输出 tensor 维度，OpenCV‑DNN 是 NCHW 格式[N, C, H, W]①单标签分类输出 shape：[1, num_classes, 1, 1]H=1，W=1；C 等于类别数量。 示例：[1,1000,1,1]含义：batch=1，1000 个类别，高宽都是 1。②多标签分类输出 shape：[1, num_classes, 1, 1]和单分类 shape 长得一模一样！shape 区分不开，要看训练数据集与输出算子。 区别：不会只取最大值，每个类别独立判断是否大于阈值。③目标检测（YOLO）输出：多组输出头，例如[1,255,13,13]、[1,255,26,26]C 通道 = 每个框信息（x,y,w,h,conf,class…），H、W 是不同尺度特征图。H、W 不等于 1，是二维网格。④语义分割输出 shape：[1, num_class, H_out, W_out]H_out、W_out 是输出图的高宽，不是 1。 例如[1,21,320,320]：21 个类别，输出 320×320 分割图。⑤回归任务（关键点、角度）输出 shape：[1, keypoint_num*2,1,1]，输出连续浮点数，没有类别概念。3、看网络最后一层算子（Netron / 代码打印层类型）表格最后层算子任务Softmax单标签分类，所有类别概率总和 = 1。Sigmoid多标签分类，每一类独立 0‑1，互不干扰。Conv / Conv+Sigmoid分割、检测输出。InnerProduct (FC) 直接输出（无 softmax）输出 logits 原始得分，分类；也可以是回归。⚠重点区分 Softmax vs SigmoidSoftmax：适合单标签，整张图只能属于一类，概率总和为 1。Sigmoid：适合多标签，各类互不影响，可以同时多个类别大于阈值。4、拿到别人给的模型，完整判断流程（实操步骤）看模型文件名、文档，这是做什么的？（分类 / 检测 / 分割）Netron 打开模型：看输出 tensor 的 shape；看最后一层是什么算子（Softmax / Sigmoid / Conv）。结合 shape + 末尾算子综合判断：判断示例 1模型：inception tensorflow pb 输出 shape：[1,1000,1,1]；最后一层softmax2算子是 Softmax 👉单标签分类，可以用 reshape+minMaxLoc。判断示例 2YOLOv3 输出多个 tensor：[1,255,13,13] [1,255,26,26] [1,255,52,52]；末尾是 Conv，无 Softmax 👉目标检测，不能用那套解析代码。判断示例 3U‑Net 语义分割 输出[1,2,224,224]；末尾 Conv 👉语义分割，每个像素输出类别。判断示例 4输出 shape[1,8,1,1]，末尾 Sigmoid 👉 多标签分类，一张图可以同时输出多个类别，不能只取最大值。5、易错坑单标签与多标签 shape 完全一样，不能只看维度，要看最后一层算子Softmax → 单标签；Sigmoid → 多标签。有些分类模型输出 logits，没有 Softmax 层，shape 依然是[1,N,1,1]；可以 minMaxLoc 拿索引，但数值不是概率。不要只看文件后缀，同样 onnx 文件，可以是分类、检测、分割。简答背诵判断模型任务：优先查阅模型文档、模型名称，知道它设计用途。使用 Netron 工具查看输出张量 shape：单分类输出 H=1,W=1；检测 / 分割 H、W 不为 1。查看网络最后一层算子：Softmax 一般单标签分类；Sigmoid 多标签分类；卷积输出一般检测或分割。结合 shape 与算子综合判定，再决定解析结果用什么代码。 如何判断深度学习模型的任务类型（AI4问）
提问：如何判断任务类型？答：如何判断深度学习模型的任务类型两种途径：看模型来源 / 用途、看模型输出张量 shape（Netron 工具）、看数据集、看输出层算子。1、从模型名字、数据集、用途直接判断（最优先）表格任务类型典型模型名称、数据集、用途单标签图像分类GoogLeNet、Inception、ResNet、MobileNet；数据集 ImageNet；一张图只有一个主物体，输出哪一类。多标签分类一张图可以同时存在多个物体；例如图片同时有猫 + 狗；输出每一类独立 0‑1 置信。目标检测YOLOv3/v4/v5/v8、SSD、Faster‑RCNN；输出物体坐标框 (x,y,w,h)+ 类别 + 置信度。语义分割U‑Net、DeepLab；输出一张和输入尺寸接近的图，每个像素预测类别。实例分割Mask‑RCNN；检测框 + 每个物体像素掩码。回归任务人脸关键点、角度预测、距离估算；输出连续浮点数，不是类别编号。例子：bvlc_googlenet.caffemodel、tensorflow_inception_graph.pb→ ImageNet，单标签分类。yolov3.cfg + yolov3.weights→ YOLO，目标检测。2、Netron 看输出张量 shape（核心手段，拿到未知模型也可以判断）Netron 打开模型，看网络最末尾输出 tensor 维度，OpenCV‑DNN 是 NCHW 格式[N, C, H, W]①单标签分类输出 shape：[1, num_classes, 1, 1]H=1，W=1；C 等于类别数量。 示例：[1,1000,1,1]含义：batch=1，1000 个类别，高宽都是 1。②多标签分类输出 shape：[1, num_classes, 1, 1]和单分类 shape 长得一模一样！shape 区分不开，要看训练数据集与输出算子。 区别：不会只取最大值，每个类别独立判断是否大于阈值。③目标检测（YOLO）输出：多组输出头，例如[1,255,13,13]、[1,255,26,26]C 通道 = 每个框信息（x,y,w,h,conf,class…），H、W 是不同尺度特征图。H、W 不等于 1，是二维网格。④语义分割输出 shape：[1, num_class, H_out, W_out]H_out、W_out 是输出图的高宽，不是 1。 例如[1,21,320,320]：21 个类别，输出 320×320 分割图。⑤回归任务（关键点、角度）输出 shape：[1, keypoint_num*2,1,1]，输出连续浮点数，没有类别概念。3、看网络最后一层算子（Netron / 代码打印层类型）表格最后层算子任务Softmax单标签分类，所有类别概率总和 = 1。Sigmoid多标签分类，每一类独立 0‑1，互不干扰。Conv / Conv+Sigmoid分割、检测输出。InnerProduct (FC) 直接输出（无 softmax）输出 logits 原始得分，分类；也可以是回归。⚠重点区分 Softmax vs SigmoidSoftmax：适合单标签，整张图只能属于一类，概率总和为 1。Sigmoid：适合多标签，各类互不影响，可以同时多个类别大于阈值。4、拿到别人给的模型，完整判断流程（实操步骤）看模型文件名、文档，这是做什么的？（分类 / 检测 / 分割）Netron 打开模型：看输出 tensor 的 shape；看最后一层是什么算子（Softmax / Sigmoid / Conv）。结合 shape + 末尾算子综合判断：判断示例 1模型：inception tensorflow pb 输出 shape：[1,1000,1,1]；最后一层softmax2算子是 Softmax 👉单标签分类，可以用 reshape+minMaxLoc。判断示例 2YOLOv3 输出多个 tensor：[1,255,13,13] [1,255,26,26] [1,255,52,52]；末尾是 Conv，无 Softmax 👉目标检测，不能用那套解析代码。判断示例 3U‑Net 语义分割 输出[1,2,224,224]；末尾 Conv 👉语义分割，每个像素输出类别。判断示例 4输出 shape[1,8,1,1]，末尾 Sigmoid 👉 多标签分类，一张图可以同时输出多个类别，不能只取最大值。5、易错坑单标签与多标签 shape 完全一样，不能只看维度，要看最后一层算子Softmax → 单标签；Sigmoid → 多标签。有些分类模型输出 logits，没有 Softmax 层，shape 依然是[1,N,1,1]；可以 minMaxLoc 拿索引，但数值不是概率。不要只看文件后缀，同样 onnx 文件，可以是分类、检测、分割。简答背诵判断模型任务：优先查阅模型文档、模型名称，知道它设计用途。使用 Netron 工具查看输出张量 shape：单分类输出 H=1,W=1；检测 / 分割 H、W 不为 1。查看网络最后一层算子：Softmax 一般单标签分类；Sigmoid 多标签分类；卷积输出一般检测或分割。结合 shape 与算子综合判定，再决定解析结果用什么代码。