近幾天筆者深入學習了下機器學習、深度學習，不論是谷歌圍棋AIAlphaGo、還是目前使用的阿里云智能語音合成，都非常吸引人。連續多天的理論學習后，總體而言，絕大多數教程都圍繞數學算法展開，而實際上我們的需求與算法之間，對新手而言還是非常不容易去匹配的。比如當下的簡單圖片分類模型。

0. 簡介

turicreate是蘋果開源的一款人工智能工具，特點是簡化了機器學習的開發模型，不必成為深度學習專家，就可以實現目標檢測、圖像分類、或與圖像分類相似的分類。缺點是不支持windows，在wsl2里數次安裝無果后，我直接寫了個Docker，然后拿來就用。

turicreate的簡單性，下面體驗過就知道，完全是無腦操作，不需要懂背后的一堆數學模型，是一個比較通用的分類工具。之前學習過一些Pytorch的基礎知識，在圖像分類面前，目前還比較困難，后續我會逐步學透。

項目開源地址：apple/turicreate

1. 分類模型基本原理

需求：采集圖像資源并進行人工處理，實現基本的分類操作，然后利用機器學習預測未知圖像。

以連連看游戲為例，想要設計一種自動消除的機器智能，首先要做的就是機器感知出正確的圖片，這樣才可以輸出二維矩陣，進行連連看消除算法。而圖片感知這塊，有一種理想狀態是：截取卡片內中心點，對比RGB信息，如果一樣則歸為一類；但實際上由于截圖不是非常精確或多點類似圖片的影響，這種理想狀態只適合比較單調色彩的識別上。

因此就有必要借助機器智能來分類了。

2. 實現步驟

A：數據收集和整理分類

turicreate的圖片分類非常好操作。在當前目錄創建data文件夾，里面放置按標簽名命名的圖片文件。每個文件夾對應一種分類，內部為具體的已標識的圖片。

B： 訓練數據

在Windows系統上，運行turicreate的docker版本，然后使用CMD或Vscode進入容器：

docker run -it --name tc -v C:\\Users\\baiyue\\Desktop\\Game自動化:/app baiyuetribe/turicreate

注意替換自己的windows目錄。

然后新建train.py。

import turicreate as tc

img_folder = 'data'

# 導入數據

data = tc.image_analysis.load_images(img_folder, with_path=True)

# 使用文件名來做標簽

data['label'] = data['path'].apply(lambda path: path.split('/')[len(path.split('/')) - 2])

data.save('doraemon-walle.sframe')

# 百分之八十的數據用于訓練，百分之二十用于測試

train_data, test_data = data.random_split(0.8, seed=2)

# 開始訓練模型

model = tc.image_classifier.create(train_data, target='label')

# 測試模型

predictions = model.predict(test_data)

metrics = model.evaluate(test_data)

# 輸出測試結果

print(metrics['accuracy'])

model.save('my_model_file')

上面代碼無需做任何處理，然后運行python train.py進行訓練，完成后會在當前目錄生成訓練結果my_model_file。

此步驟CPU是滿負載的，大概40s后出結果。

總分類數為28種，樣本有261個圖片，最終精度為1.基本夠勝任連連看的圖片識別了。

C： 預測數據

訓練完畢后，我們隨機截截取幾個新的圖片，命名為1,2,3.png，然后用剛才訓練的模型去預測。

當前目錄創建predict.py文件。

import turicreate as tc

loaded_model = tc.load_model('my_model_file')

def getDataset():

#data = tc.image_analysis.load_images('screenshot', with_path=True)

img_list = [str(i)+'.png' for i in range(1,4)]

result = []

for i in img_list:

data = tc.image_analysis.load_images(i, with_path=True) #圖片文件名

result_arr = loaded_model.predict(data)[0]

result.append(result_arr)

return result

with open('result.txt','w',encoding='utf-8') as f:

data = getDataset()

print(data)

f.write(str(getDataset()))

運行python predict.py后，輸出預測結果為：['4', '18', '24'].

對比分類圖，可見預測結果是非常準確的。

3. 遺留問題

由于不支持Windows，我采用了自制Docker，使用體驗上非常好，但是與windows本地交互不方便，比如本地環境下ps.system('docker exec -it tc python /app/train.py')命令就無法正常執行，subprocess也是一樣，因此這里就出現了連接阻斷。這樣的話本地桌面截圖就無法調用Docker容器內部的機器模型去識別了。針對這種情況，可以嘗試做一個webapi接口，利用url請求傳遞待檢測的圖片，容器內部處理后把結果返回過來，就可以解決這種阻斷。 事實上這是非常容易實現的方式，畢竟絕大數人工智能，最后都是以API接口的形式對外開放。

佰閱部落 , 版權所有丨如未注明 , 均為原創丨本網站采用BY-NC-SA協議進行授權

轉載請注明原文鏈接：人工智能圖片分類器：turicreate在Windows環境下簡明使用教程

總結

以上是生活随笔為你收集整理的turicreate 视频_人工智能图片分类器：turicreate在Windows环境下简明使用教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。