有一個app叫“什麼垃圾”，支援手動輸入和語音識別，在垃圾分類方面還是比較專業的，提供模糊匹配，可以把類似名字的搜尋結果都呈現出來。一般日常會使用的垃圾還是都能搜得到的。

一項技術，要達到真正實用的程度，需要經過大量的最佳化和改良。

目前的這些程式，如果識別程度比較低，那就說明不太實用啊，畢竟他們剛剛推出來不久，還沒有經過大量的使用和實踐，還有非常大的可以改良的餘地。

特別是對於需要AI識別的，由於技術上的侷限，效果暫時還只能說是一般，當然隨著程式本身的不斷迭代和最佳化，最終他應該能夠做到識別的準確率高於大多數普通民眾的水平，如果能夠達到這種水平，我認為就可以稱得上是實用了，因為畢竟沒有100%準確的東西，也沒有100%能夠準確識別的人，總是要犯錯誤的，能夠達到一個相對比較滿意的程度，就已經算是可以了，對吧？

實用。

因為小程式識別垃圾分類，本質是透過對打好標籤的影象進行機器學習。

而機器學習的路徑簡單來說，就是先學習這個圖片是什麼，然後才對圖片進行分類。

舉個例子，比如要讓機器識別出一張圖片表示的是貓，那麼可能需要機器去學習50W張貓的圖片，才能達到96%以上的識別率。

同理，如果要讓機器識別出任意一張你拍的照片是什麼，那麼這個學習量是很大的，

識別出一個物體都需要那麼多量級的圖片數，更別說是識別出所有的物體了。

因此，小程式識別準確度低的主要原因是：訓練出一個能識別任意照片並得知其為什麼物品的模型，需要的成本太高。

成本主要在於：

1.使用GPU裝置的成本，圖片為阿里雲的伺服器價格。因為產品要快速投入使用，所以不可能一開始就投入大量的精力去讓機器學習大量的圖片，是一個循循漸進模型不斷更新的過程，所以機器的成本是要不斷的去投入的。

2.垃圾分類小程式當前的變現渠道單一，撐死能加幾個廣告位。

如果投入跟產出不成正比，那更多的就是在做公益了。畢竟伺服器也是需要不斷支出的。所以在變現不明確的情況下，投入就不會太多，所以機器學習得到模型，識別出物品的識別率肯定不會特別高。

3. 如果考慮使用阿里雲或是騰訊雲的影象識別介面，當然也是需要付費的。

還是第2點一樣，如果投入跟產出不成正比，就是在做公益了。

從長遠的角度來看，識別的準確率會越來越高。

所以我依舊保留“實用”的態度。

透過人工智慧化分類，對於分類檢測還是有一定的作用的！隨著網路時代的發展，以及Ai技術的發展，小程式智慧化會越來越完善！