使用 Teachable Machine

Teachable Machine 是 Google 所推出的無程式碼機器學習平台，只需要簡單的步驟，就能夠在瀏覽器上訓練模型，透過訓練的模型辨識圖片、聲音或是姿勢，這篇教學將會介紹如何使用 Teachable Machine。

快速導覽：

• Teachable Machine 是什麼？
• 建立分類，訓練模型
• 在 Python 中使用模型

什麼是 Teachable Machine？

Teachable Machine 是 Google 所推出的無程式碼機器學習平台，更簡單來說，Teachable Machine 是一個網頁工具，只需要打開瀏覽器，就能在不需要專業知識和撰寫程式碼的情況下，輕鬆的為網站和應用程式訓練機器學習模型。

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

Teachable Machine 目前提供了「圖片、聲音和姿勢」共三種訓練模型，只要經過「蒐集和訓練」的步驟，就能夠建立自己的模型，由於 Teachable Machine 背後應用了開源的機器學習函式庫 Tensorflow.js，因此可以將訓練好的模型以 Tensorflow.js、Keras、或 Tensorflow Lite 格式輸出，在任何的網頁或是應用程式中呼叫使用。

注意，Python 只能使用圖片專案所訓練的模型。

建立分類，訓練模型

開啟 Teachable Machine 網站後，點擊「開始使用」開始訓練模型的新專案 ( 最下方可以切換語系為繁體中文 )。

點擊 「圖片專案」，選擇「標準圖片模型」，就可以進入圖片模型訓練流程。

訓練流程主要有三個步驟，「添加分類內容」、「訓練模型」和「預覽訓練結果」。

• 添加分類內容：

  每個分類的內容可以透過攝影鏡頭 Webcam 或上傳 Upload 的方式增加圖片，最少需要有兩個分類，點擊下方 Add a class 的按鈕可以增加分類，下圖的範例的分類使用 oxxo ( 畫面中有人 ) 以及維他命 ( 畫面中有維他命的罐子 ) 兩種。

  

• 訓練模型：

  分類建立完成後，點擊「訓練模型」，就會開始進行圖片模型的訓練，出現「模型已訓練完成」的文字表示訓練完成。

  

• 預覽訓練結果：

  訓練完成後，就能從預覽模型的視窗裡，測試自己訓練的模型準確度。

  

在 Python 中使用模型

點擊右上方的「匯出模型」，選擇 Tensorflow，勾選 Keras，就能下載 Keras.h5 模型供 Python 使用。

下載模型並壓縮，將 keras_model.h5 放到和 Python 程式同樣的路徑下，就可以開始編輯 Python 程式。

在 Anaconda Jupyter 安裝好 Tensorflow 和 OpenCV 後，執行下方的程式碼，就可以看到透過 OpenCV 播放攝影鏡頭的影片，並判斷現在出現的影像是什麼分類。

參考：Jupyter 安裝 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()

意見回饋

如果有任何建議或問題，可傳送「意見表單」給我，謝謝～