使用 Teachable Machine

Teachable Machine 是 Google 所推出的无程序码机器学习平台，只需要简单的步骤，就能够在浏览器上训练模型，透过训练的模型辨识图片、声音或是姿势，这篇教学将会介绍如何使用 Teachable Machine。

快速导览：

• Teachable Machine 是什么？
• 建立分类，训练模型
• 在 Python 中使用模型

什么是 Teachable Machine？

Teachable Machine 是 Google 所推出的无程序码机器学习平台，更简单来说，Teachable Machine 是一个网页工具，只需要打开浏览器，就能在不需要专业知识和撰写程序码的情况下，轻松的为网站和应用程序训练机器学习模型。

前往 Teachable Machine：https://teachablemachine.withgoogle.com/

Teachable Machine 目前提供了“图片、声音和姿势”共三种训练模型，只要经过“搜集和训练”的步骤，就能够建立自己的模型，由于 Teachable Machine 背后应用了开源的机器学习函数库 Tensorflow.js，因此可以将训练好的模型以 Tensorflow.js、Keras、或 Tensorflow Lite 格式输出，在任何的网页或是应用程序中呼叫使用。

注意，Python 只能使用图片专案所训练的模型。

建立分类，训练模型

打开 Teachable Machine 网站后，点击“开始使用”开始训练模型的新专案 ( 最下方可以切换语系为繁体中文 )。

点击 “图片专案”，选择“标准图片模型”，就可以进入图片模型训练流程。

训练流程主要有三个步骤，“添加分类内容”、“训练模型”和“预览训练结果”。

• 添加分类内容：

  每个分类的内容可以透过摄影镜头 Webcam 或上传 Upload 的方式增加图片，最少需要有两个分类，点击下方 Add a class 的按钮可以增加分类，下图的范例的分类使用 oxxo ( 画面中有人 ) 以及维他命 ( 画面中有维他命的罐子 ) 两种。

  

• 训练模型：

  分类建立完成后，点击“训练模型”，就会开始进行图片模型的训练，出现“模型已训练完成”的文字表示训练完成。

  

• 预览训练结果：

  训练完成后，就能从预览模型的视窗里，测试自己训练的模型准确度。

  

在 Python 中使用模型

点击右上方的“导出模型”，选择 Tensorflow，勾选 Keras，就能下载 Keras.h5 模型供 Python 使用。

下载模型并压缩，将 keras_model.h5 放到和 Python 程序同样的路径下，就可以开始编辑 Python 程序。

在 Anaconda Jupyter 安装好 Tensorflow 和 OpenCV 后，执行下方的程序码，就可以看到透过 OpenCV 播放摄影镜头的影片，并判断现在出现的图像是什么分类。

参考：Jupyter 安装 Tensorflow

import tensorflow as tf
import cv2
import numpy as np

model = tf.keras.models.load_model('keras_model.h5', compile=False)   # 載入 model
data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)           # 設定資料陣列

cap = cv2.VideoCapture(0)         # 設定攝影機鏡頭
if not cap.isOpened():
    print("Cannot open camera")
    exit()
while True:
    ret, frame = cap.read()       # 讀取攝影機影像
    if not ret:
        print("Cannot receive frame")
        break
    img = cv2.resize(frame , (398, 224))   # 改變尺寸
    img = img[0:224, 80:304]               # 裁切為正方形，符合 model 大小
    image_array = np.asarray(img)          # 去除換行符號和結尾空白，產生文字陣列
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1  # 轉換成預測陣列
    data[0] = normalized_image_array
    prediction = model.predict(data)       # 預測結果
    a,b= prediction[0]                     # 取得預測結果
    if a>0.9:
        print('oxxo')
    if b>0.9:
        print('維他命')
    cv2.imshow('oxxostudio', img)
    if cv2.waitKey(500) == ord('q'):
        break     # 按下 q 鍵停止
cap.release()
cv2.destroyAllWindows()

意见反馈