近几天笔者深入学习了下机器学习、深度学习，不论是谷歌围棋AIAlphaGo、还是目前使用的阿里云智能语音合成，都非常吸引人。连续多天的理论学习后，总体而言，绝大多数教程都围绕数学算法展开，而实际上我们的需求与算法之间，对新手而言还是非常不容易去匹配的。比如当下的简单图片分类模型。

0. 简介

turicreate是苹果开源的一款人工智能工具，特点是简化了机器学习的开发模型，不必成为深度学习专家，就可以实现目标检测、图像分类、或与图像分类相似的分类。缺点是不支持windows，在wsl2里数次安装无果后，我直接写了个Docker，然后拿来就用。

turicreate的简单性，下面体验过就知道，完全是无脑操作，不需要懂背后的一堆数学模型，是一个比较通用的分类工具。之前学习过一些Pytorch的基础知识，在图像分类面前，目前还比较困难，后续我会逐步学透。

项目开源地址：apple/turicreate

1. 分类模型基本原理

需求：采集图像资源并进行人工处理，实现基本的分类操作，然后利用机器学习预测未知图像。

以连连看游戏为例，想要设计一种自动消除的机器智能，首先要做的就是机器感知出正确的图片，这样才可以输出二维矩阵，进行连连看消除算法。而图片感知这块，有一种理想状态是：截取卡片内中心点，对比RGB信息，如果一样则归为一类；但实际上由于截图不是非常精确或多点类似图片的影响，这种理想状态只适合比较单调色彩的识别上。

因此就有必要借助机器智能来分类了。

2. 实现步骤

A：数据收集和整理分类

turicreate的图片分类非常好操作。在当前目录创建data文件夹，里面放置按标签名命名的图片文件。每个文件夹对应一种分类，内部为具体的已标识的图片。

B： 训练数据

在Windows系统上，运行turicreate的docker版本，然后使用CMD或Vscode进入容器：

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

注意替换自己的windows目录。

然后新建train.py。

import turicreate as tc

img_folder = 'data'

# 导入数据

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

# 使用文件名来做标签

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

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

# 百分之八十的数据用于训练，百分之二十用于测试

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

# 开始训练模型

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

# 测试模型

predictions = model.predict(test_data)

metrics = model.evaluate(test_data)

# 输出测试结果

print(metrics['accuracy'])

model.save('my_model_file')

上面代码无需做任何处理，然后运行python train.py进行训练，完成后会在当前目录生成训练结果my_model_file。

此步骤CPU是满负载的，大概40s后出结果。

总分类数为28种，样本有261个图片，最终精度为1.基本够胜任连连看的图片识别了。

C： 预测数据

训练完毕后，我们随机截截取几个新的图片，命名为1,2,3.png，然后用刚才训练的模型去预测。

当前目录创建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) #图片文件名

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()))

运行python predict.py后，输出预测结果为：['4', '18', '24'].

对比分类图，可见预测结果是非常准确的。

3. 遗留问题

由于不支持Windows，我采用了自制Docker，使用体验上非常好，但是与windows本地交互不方便，比如本地环境下ps.system('docker exec -it tc python /app/train.py')命令就无法正常执行，subprocess也是一样，因此这里就出现了连接阻断。这样的话本地桌面截图就无法调用Docker容器内部的机器模型去识别了。针对这种情况，可以尝试做一个webapi接口，利用url请求传递待检测的图片，容器内部处理后把结果返回过来，就可以解决这种阻断。 事实上这是非常容易实现的方式，毕竟绝大数人工智能，最后都是以API接口的形式对外开放。

佰阅部落 , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权

转载请注明原文链接：人工智能图片分类器：turicreate在Windows环境下简明使用教程