在本文中，我們將簡要介紹人工智能領域，特別是在計算機視覺領域，所涉及的挑戰，針對這些挑戰的現有現代解決方案以及如何方便，輕松地應用這些解決方案而無需花費大量時間和精力。
圖像識別的發展
幾十年來，人工智能一直是一個研究領域，科學家和工程師一直在努力探索使機器和計算機更好地感知和理解我們的世界以正確采取行動并為人類服務的奧秘。 這項研究工作最重要的方面之一就是使計算機了解我們周圍每天產生的視覺信息（圖像和視頻）。 使計算機感知和理解視覺信息的領域稱為計算機視覺。
在1950年代至1980年代人工智能研究興起的過程中，手動為計算機提供了有關如何識別圖像，圖像中的對象以及要注意的功能的說明。這種方法是傳統算法，被稱為專家系統，因為它們要求人類為必須識別的物體的每個唯一場景識別特征并在計算機可以理解的數學模型中表示這些特征。這涉及很多繁瑣的工作，因為可以用成千上萬種不同的方式表示對象，并且存在成千上萬（甚至數百萬）種不同的場景和對象，從而找到了最優且準確的數學模型來代表每個對象或場景的所有可能特征，并且對于所有可能的對象或場景而言，更多的工作將永遠持續下去。
然后，在1990年代，引入了機器學習的概念，并開創了一個時代，在這個時代中，我們不需告訴計算機在識別圖像和視頻中的場景和對象時要注意什么，而可以設計算法，使計算機能夠學習如何獨自識別圖像中的場景和物體，就像孩子通過探索來了解自己的環境一樣。機器學習為計算機學習識別幾乎我們想要的任何場景或物體開辟了道路。
隨著功能強大的計算機（如GPU）和先進的深度學習算法用于圖像識別的出現，如Alex Krizhevsky等人于2012年提出的AlexNet，Kaeming He等人于2015年提出的ResNet，Forrest于2016年提出的SqueezeNet Landola等人（由Gao Huang等人于2016年提出的DenseNet）僅舉幾例，就可以將許多圖片（更像是計算機的圖像書）放在一起，并定義一個人工智能模型來學習場景和物體的特征這些圖片本身，并使用從學習過程中獲得的知識來識別其后將遇到的場景或對象類型的所有其他實例。
為了訓練一個可以識別你想要在圖片中識別出什么內容的人工智能模型，傳統上它涉及應用數學和深度學習庫的大量專業知識，更不用說需要花費的時間和壓力了。編寫算法代碼，然后將代碼適配你的圖像。這是我們提供解決方案的地方。
AI Commons的團隊開發了一個python庫，可讓你訓練一個人工智能模型，該模型只需5條簡單的python代碼就能識別出你希望圖像識別的任何對象。 python庫是ImageAI，它是一個庫，旨在讓學生，開發人員和研究人員具備各種專業知識，可以使用5至15條簡單的代碼行來構建具有最新計算機視覺功能的系統和應用程序。現在，讓我們引導你創建可以識別您想要的任何東西的第一個人工智能模型。
要訓練你的人工智能模型，你需要一個稱為數據集的圖像集合。 數據集包含您你要讓你的人工智能模型識別的對象的成百上千的樣本圖像。 但是你不用擔心！ 我們不是說要你現在就去下載數千張圖片，只是為了訓練你的人工智能模型。 在本教程中，我們提供了一個名為IdenProf的數據集。
IdenProf（可識別專業人士）是一個數據集，其中包含11,000張10位不同專業人士的照片，人類可以通過穿著方式看到并識別他們的工作。 圖片在此數據集中的專業人員類別如下：
- Chef（廚師）
- Doctor（醫生）
- Engineer（工程師）
- Farmer（農民）
- Firefighter（消防員）
- Judge（法官）
- Mechanic（機械師）
- Pilot（飛行員）
- Police（警察）
- Waiter（服務員）
該數據集被分為9000張（每個專業900張圖片）圖片來訓練人工智能模型和2000張（每個專業200張圖片）圖片來測試人工智能模型在訓練時的性能。 IdenProf已正確安排并準備好訓練您的人工智能模型，以使他們的著裝方式識別專業人士。 作為參考，如果您使用自己的圖像數據集，則必須為要讓人工智能模型識別的每個對象或場景至少收集500張圖片。 要訓練使用ImageAI收集的任何圖像數據集，必須將圖像排列在文件夾中，如以下示例所示：
- idenprof//train//chef// 900 images of chefs
- idenprof//train//doctor// 900 images of doctors
- idenprof//train//engineer// 900 images of engineer
- idenprof//train//farmer// 900 images of farmers
- idenprof//train//firefighter// 900 images of firefighters
- idenprof//train//judge// 900 images of judges
- idenprof//train//mechanic// 900 images of mechanics
- idenprof//train//pilot// 900 images of pilots
- idenprof//train//chef// 900 images of chef
- idenprof//train//police// 900 images of police
- idenprof//train//waiter// 900 images of waiters
- idenprof//test//chef// 200 images of chefs
- idenprof//test//doctor// 200 images of doctors
- idenprof//test//engineer// 200 images of engineer
- idenprof//test//farmer// 200 images of farmers
- idenprof//test//firefighter// 200 images of firefighters
- idenprof//test//judge// 200 images of judges
- idenprof//test//mechanic// 200 images of mechanics
- idenprof//test//pilot// 200 images of pilots
- idenprof//test//chef// 200 images of chef
- idenprof//test//police// 200 images of police
- idenprof//test//waiter// 200 images of waiters
既然你已經了解了如何準備自己的圖像數據集來訓練人工智能模型，那么我們現在將指導你訓練人工智能模型以識別使用ImageAI的專業人員。
- 首先，你必須通過此鏈接下載IdenProf數據集的zip。 你還可以在下面的鏈接中的IdenProf GitHub存儲庫中查看經過培訓以識別職業的人工智能模型的所有詳細信息和示例結果。
https://github.com/OlafenwaMoses/IdenProf
- 因為訓練人工智能模型需要高性能的計算機系統，所以我強烈建議你確保要用于此訓練的計算機/筆記本電腦具有NVIDIA GPU。 另外，如果你提供免費的NVIDIA K80 GPU進行實驗，則可以使用Google Colab進行此實驗。
- 然后，你必須安裝ImageAI及其依賴項。
1）從Python語言官方網站下載并安裝Python 3
2）通過pip安裝以下pip：
i. TensorFlow
- pip3 install tensorflow
ii. OpenCV
- pip3 install opencv-python
iii. Keras
- pip3 install keras
iv. ImageAI
- pip3 install imageai --upgrade
- 用你想要給它的任何名稱創建一個python文件，例如“ FirstTraining.py”。
- 將IdenProf數據集的zip復制到Python文件所在的文件夾中。 然后將其解壓縮到同一文件夾中。
·然后將下面的代碼復制到python文件（例如FirstTraining.py）中。
- from imageai.Prediction.Custom import ModelTraining
- model_trainer = ModelTraining()
- model_trainer.setModelTypeAsResNet()
- model_trainer.setDataDirectory("idenprof")
- model_trainer.trainModel(num_objects=10, num_experiments=200, enhance_data=True, batch_size=32, show_network_summary=True)
這就是訓練人工智能模型所需的全部代碼。在運行代碼以開始培訓之前，讓我們解釋一下代碼。
在第一行中，我們導入了ImageAI的模型訓練課程。在第二行中，我們創建了模型訓練課程的實例。在第三行中，我們將模型類型設置為ResNet（有四種可用的模型類型為SqueezeNet，ResNet，InceptionV3和DenseNet）。在第四行中，我們將數據目錄（數據集目錄）設置為你解壓縮的數據集zip文件的文件夾。然后在第五行中，調用trainModel函數并指定以下值：
- number_objects：這是指IdenProf數據集中不同類型的專業人員的數量。
- num_experiments：這是模型訓練器將研究idenprof數據集中的所有圖像的次數，以實現最大的準確性。
- Enhance_data（可選）：告訴模型訓練器在IdenProf數據集中創建圖像的修改后的副本，以確保獲得最大的準確性。
- batch_size：這是指模型訓練器將研究IdenProf數據集中的所有圖像之前，將立即研究的圖像集的數量。
- Show_network_summary（可選）：這將顯示你用于訓練人工智能模型的模型類型的結構。
現在，你可以開始運行Python文件并開始培訓。培訓開始時，你將看到以下結果：
- =====================================
- Total params: 23,608,202
- Trainable params: 23,555,082
- Non-trainable params: 53,120
- ______________________________________
- Using Enhanced Data Generation
- Found 4000 images belonging to 4 classes.
- Found 800 images belonging to 4 classes.
- JSON Mapping for the model classes saved to C:\Users\User\PycharmProjects\FirstTraining\idenprof\json\model_class.json
- Number of experiments (Epochs) : 200
- Epoch 1/100
- 1/280 [>.............................] - ETA: 52s - loss: 2.3026 - acc: 0.2500
- 2/280 [>.............................] - ETA: 52s - loss: 2.3026 - acc: 0.2500
- 3/280 [>.............................] - ETA: 52s - loss: 2.3026 - acc: 0.2500
- ..............................,
- ..............................,
- ..............................,
- 279/280 [===========================>..] - ETA: 1s - loss: 2.3097 - acc: 0.0625Epoch 00000: saving model to C:\Users\User\PycharmProjects\FirstTraining\idenprof\models\model_ex-000_acc-0.100000.h5
- 280/280 [==============================] - 51s - loss: 2.3095 - acc: 0.0600 - val_loss: 2.3026 - val_acc: 0.1000
讓我們解釋一下上面顯示的細節：
1.語句“針對保存到C：\ Users \ User \ PycharmProjects \ FirstTraining \ idenprof \ json \ model_class.json的模型類的JSON映射”表示模型訓練器已為idenprof數據集保存了一個JSON文件，你可以使用它來使用自定義圖像預測類識別其他圖片（進一步閱讀時可以使用說明）。
2.第1/200行，表示網絡正在對目標200進行第一次訓練
3.第1/280行[>…………………………..]-ETA：52s-損失：2.3026-acc：0.2500表示在本實驗中已訓練的批次數
4.“ Epoch 00000：將模型保存到C：\ Users \ User \ PycharmProjects \ FirstTraining \ idenprof \ models \ model_ex-000_acc-0.100000.h5”行是指在當前訓練后保存的模型。 ex_000代表此階段的實驗，而acc0.100000和valacc：0.1000代表本實驗后模型在測試圖像上的準確性（準確性的最大值為1.0）。此結果有助于了解可用于自定義圖像預測的最佳性能模型。
訓練完人工智能模型后，你可以使用“ CustomImagePrediction”類對獲得最高準確性的模型進行圖像預測。
萬一由于無法訪問NVIDIA GPU而無法自行訓練人工智能模型，就本教程而言，我們提供了我們在IdenProf數據集上訓練的人工智能模型，你可以使用它現在可以預測數據集中10位專業人員中任何一位的新圖像。經過61次訓練實驗，該模型的準確率超過79％。另外，如果你自己還沒有進行培訓，還可以通過此鏈接下載idenprof模型的JSON文件。然后，你準備好使用受過訓練的人工智能模型開始認可專業人員。請按照以下說明進行操作。
接下來，創建另一個Python文件并為其命名，例如FirstCustomImageRecognition.py。 復制上面下載的人工智能模型或獲得最高準確性的訓練模型，并將其粘貼到新python文件的文件夾（例如FirstCustomImageRecognition.py）中。 還要復制您下載的或由培訓生成的JSON文件，并將其粘貼到與新python文件相同的文件夾中。 將屬于IdenProf數據集中類別的任何專業人士的示例圖像復制到與新python文件相同的文件夾中。
然后復制下面的代碼，并將其放入新的python文件中：
- from imageai.Prediction.Custom import CustomImagePredictionimport os
- execution_path = os.getcwd()
- prediction = CustomImagePrediction()prediction.setModelTypeAsResNet()prediction.setModelPath("idenprof_061-0.7933.h5")prediction.setJsonPath("idenprof_model_class.json")prediction.loadModel(num_objects=10)
- predictions, probabilities = prediction.predictImage("image.jpg", result_count=3)
- for eachPrediction, eachProbability in zip(predictions, probabilities): print(eachPrediction , " : " , eachProbability)
查看下面的示例圖像和結果。
waiter : 99.99997615814209
chef : 1.568847380895022e-05
judge : 1.0255866556008186e-05
是不是很簡單！現在，讓我們解釋上面產生此預測結果的代碼。
上面的第一和第二行代碼導入ImageAI的CustomImagePrediction類，以使用經過訓練的模型和python os類來預測和識別圖像。第三行代碼創建一個變量，該變量保存對包含python文件（在本示例中為FirstCustomImageRecognition.py）和你自己下載或自己訓練的ResNet模型文件的路徑的引用。
在上面的代碼中，我們在第四行中創建了ImagePrediction（）類的實例，然后通過在第五行中調用.setModelTypeAsResNet（）將預測對象的模型類型設置為ResNet，然后設置模型路徑預測對象到人工智能模型文件（idenprof_061–0.7933.h5）的路徑，我們將其復制到第六行的項目文件夾文件夾中。
在第七行中，我們設置復制到第七行中的文件夾的JSON文件的路徑，并在第八十行中加載模型。最后，我們對復制到文件夾中的圖像進行預測，然后將結果打印到命令行界面。
到目前為止，你已經學習了如何使用ImageAI輕松訓練自己的人工智能模型，該模型可以預測圖像中的任何類型的對象或對象集。
當然，除了以上教程，筆者順便提一下鈦靈AIX，一款集計算機視覺與智能語音交互兩大核心功能為一體的迷你人工智能硬件。基于 Intel Movidius AI加速芯片的強大算力支持與內置的語音 SDK 和 API，鈦靈 AIX可以兼容AI模型資源平臺——Model Play。Model Play面向全球開發者，內置多樣化AI模型，更是支持谷歌 Edge TPU邊緣人工智能計算芯片以及更多AI硬件，可以幫助開發者加速專業級開發。
