起始网看不到什么

诸如Inception Net之类的深度学习视觉模型在图像识别方面实现了最先进的性能。但是，我很好奇这些模型何时无法正常运行。我在大量自然图像上测试了Inception Net，这是模型无法很好预测的一系列结果。注意：我只提供了示例，其中正确的类是1,000个有效ImageNet类之一。

自己尝试：每个示例都带有指向模型演示的链接（使用Gradio构建），您可以在其中直接从浏览器直接尝试图像。

倒车时，Inception Net根本无法识别汽车类别

尽管Inception Net可以识别许多切成薄片的水果，但确信切成薄片的苹果实际上是黄瓜或其他水果。

Inception Net可以很好地检测出西式礼服的新郎，但当他们穿着巴基斯坦/印度服装时却无法识别

“如果不是圆形，就不是气球” – Inception Net

诚然，ImageNet是在COVID-19之前被收集的，当时它们并不常见。但是，奇怪的是，即使口罩和防毒面具是有效的类别，也无法预测常规的手术口罩。

通常，Inception Net无法对图像的卡通版本进行分类。以我的经验，卡通狮子很难对其正确分类。

好像Inception Net对Roomba吸尘器一无所知，因为它始终将其误识别为另一个小工具。

Inception Net不会擅长于威胁检测，因为它会将这些无害的鹅误认为是战机！

因此，我们找到了Inception Net失败的一些示例……那又如何呢？好吧，像Inception Net这样的基于深度学习的图像分类器被认为是高度准确的，以至于许多公司将它们作为旨在供公众使用的API [1、2、3]发布。该发行版很少附有模型失效点的描述，因此用户并不真正知道何时期望模型可靠，何时不可靠。

通过简单地通过Web界面对模型进行实验，我发现了Inception Net的几个盲点：例如，处于异常位置的物品（＃1）或来自非西方文化的物品（＃3）甚至是非标准艺术品的图像样式（＃6）。 Gradio库还使我可以轻松地尝试自然的图像操作（例如旋转，裁剪或直接通过Web界面在图像上添加噪点），从而更容易发现模型问题。这些故障点应进行彻底调查和记录，以便用户知道何时信任已部署的图像识别模型。

使用我可以访问的图像来尝试Inception Net真的很容易（我只是在Google Image上搜索过，或者在计算机上尝试过图像）。自己尝试该模型（http://www.gradio.app/hub/abidlabs/inception），并在注释中让大家知道您发现了哪些其他盲点！