传统机器学习的经典流程主要分为离线训练和在线识别两大部分。离线训练主要是基于样本库构建特征空间并训练针对目标的分类或回归模型的过程，包括样本的获取与标记、特征的提取与选择、模型的训练与调试等步骤。在线识别部分则是对已训练的模型在新场景中的应用。如图10-9所示。

图10-9　传统机器学习流程

除传统机器学习外，灵闪还包含一个深度学习模块。深度学习的经典流程同样分为离线训练和在线识别两个部分，和传统机器学习相比，它最大的不同在于离线训练部分不需要手动选择用于构建特征空间的特征，训练时算法可以自动构建出特征空间。

灵闪的传统机器学习算法主要解决分类的问题，以用于工业场景中常见的物品类目识别、正反识别、形状颜色等信息的分类等场景。在灵闪中，这些算法被集成到学习型分类工具中。如图10-10所示，学习型分类工具中实现了样本采集、特征提取、模型训练等基本功能，还提供了特征和模型的自动调参、测试与评价功能，以方便对丰富的特征和模型参数进行自动化调试和测试。

图10-10　传统机器学习参数调节界面

灵闪的深度学习模块主要用于缺陷检测，在离线训练阶段提供了一个专用的工具，方便用户配置样本图片路径和训练参数，在线阶段可以像使用普通的算法工具那样使用训练好的深度学习模型。

下面将详细介绍灵闪传统机器学习模块的主要功能。