刘梅
摘要：本项目以野生保护动物图像分类为主题，共包括数据采集及处理、模型训练、模型封装、模型部署四个阶段，利用6个课时带领学生体验完整的人工智能作品开发流程，以期为高中阶段人工智能教学提供参考。
关键词：模型训练；
Arduino；
MobileNet；
百度飞桨；
图像识别
中圖分类号：G434 文献标识码：A 论文编号：1674-2117（2023）09-0079-04
目前，在计算机视觉领域有多种图像分类模型，如ResNet、MobileNet、LeNet等，这些模型在不同的图像识别场景下发挥不同的作用。那么，不同网络模型在结构上有什么差异？哪些模型识别速度更快准确率更高？哪些模型更轻量更适合部署在移动端？为了弄清这些问题，笔者在实际教学过程中进行了一系列探索并发现，如果只是讲解理论，对于初次接触深度学习的高中生来说是枯燥且晦涩的。因此，笔者开发了可以实践的趣味项目，让学生自己动手，亲历完整的问题解决过程，在实践中理解人工智能模型算法原理。在项目实践中，笔者也遇到并解决了一些新的问题，如如何实现本地局域网环境下的模型API调用，以解决机房网络不佳、学生注册调用网络平台API费时费力等问题？有什么硬件是价格低廉、配置简单且适合机房环境下大班教学的？下面，笔者以完整的“动物识别分类”项目为例对上述问题进行阐述，以期为高中阶段人工智能教学提供参考。
项目介绍
1.项目背景
本项目主题：打造AI野生保护动物识别系统。近几年，贩卖野生保护动物的情况屡见不鲜，许多人在不知情的情况下出于好奇而购买，从而触犯了法律，究其根本原因还是缺乏对野生保护动物的认识。我们可以借助人工智能的图像识别技术来解决这一问题。
2.项目时长
该项目分四部分，共6课时，分别为：数据采集及处理（2课时）、 模型训练（1课时）、模型封装（1课时）、模型部署（2课时）。
3.项目流程
首先，学生2人一组，从网络上收集8到10种不常见的野生保护动物图片，并进行预处理。然后，分组调用MobileNetV2、resnet50预训练模型，在训练过程中对比两种图像分类模型的差异。接着，利用教师提供的module.py半成品文件，将自己训练出的模型进行封装，实现本地调用。最后，利用Arduino板完成硬件部署。
项目实施
1.数据采集及处理
（1）数据采集
数据集的获取处理是一个非常复杂的过程，既需要大量高质量的图片数据，又要保证数据集的图片具有足够的多样性，这样才能提高训练模型在实际应用中的泛化水平。由于野生保护动物在生活中并不常见，采用手机或相机拍摄是不可行的，所以教师可以指导学生应用高一学习的Python爬虫知识爬取需要的数据集图片，即根据关键词从百度上爬取8到10种野生保护动物图片，每种500张左右，核心代码如图1所示。
将下载好的数据集图片分类放在10个文件夹中，需要按照飞桨平台的数据集格式规则提前制作好一个label.text文档，在后期模型训练中作为数据索引。教师可以提前制作一份模型文档给学生作为参考。格式如图2所示。
（2）数据预处理
数据处理中重要的一步是将处理好的数据划分训练验证集，使用sklearn.model_selection模块，只需要如下两行代码就可以划分出训练验证集：
from sklearn.model_selection import train_test_split
train_img， val_img， train_label， val_label = train_test_split（data， label， test_size=0.2）
接下来按照飞桨官网[1]提供的代码进行数据预处理。
2.模型训练
（1）神经网络的搭建
直接调用飞桨平台的内置模型，调用代码如图3所示。
使用paddle.summary语句查看网络结构，如图4所示。学生从中可以理解MobileNetV2与resnet50在模型结构上的异同，比教师讲解理论要直观清晰许多。
（2）模型训练
可以选择不同的训练方式进行训练，机房CPU环境下训练时间较长，250个epoch，约需要一个小时左右（如下页图5）。
（3）模型评估
在模型训练好后，使用下页图6所示的代码绘制变化曲线来查看两种训练模型对应的准确率的区别，MobileNetV2约为65%，resnet50约为70%，差距不大，后续还需要继续调优以提高其识别精度。还可以用同样的方法绘制loss曲线，帮助学生理解训练过程中损失函数的变化（如下页图7）。
（4）模型预测
加载模型启动模型预测，选择图片对训练出的模型进行预测，代码如第82页图8所示。指导学生选择图片进行多次测试，以体验训练模型的识别精度。
3.模型封装
训练出的模型权重文件经过封装，便可以实现本地部署。在机房局域网内，教师启动部署命令，其他学生也可以调用该hub模型进行图像识别。封装的核心步骤是要编写module.py文件，这是比较烦琐的一步，其中包括配置模型信息、编写推理方法、测试推理等，代码较长，具体可参考官网使用指南。[2]
在这个过程中，教师的任务则是要提前为学生准备好module.py的框架代码，这样学生只需更改与自己训练模型相关的少量关键代码行即可，这样可以节省课堂时间与学生的操作难度。在配置好module.py文件后，学生开始制作自己的paddlehub：新建一个文件夹mobilenet_meimei，与module.py文件中模型的名称一致，在文件夹中加入一个__init__.py空文件，以及刚刚编辑好的module.py文件、assets文件夹。其中，assets文件夹中包含的是前期训练好的模型及参数文件，如下页图9所示。之后启动以下两条命令：
hub install mobilenet_meimei
hub serving start -m mobilenet_meimei
在本地部署封装好的模型，利用飞桨提供的测试代码，就可以在本地对模型进行识别调用了。
4.模型部署
模型部署阶段是整个项目环节中趣味性、交互性最强的阶段。在这一部分，教师带领学生利用封装好的动物识别模型，结合Arduino制作“动物识别大转盘”，将自己的训练成果真正应用起来。Arduino板无法实现边缘部署，计算推理等工作还是要在计算机端完成，但因其配置步骤简单、价格低廉、功能强大，更适合没有硬件基础的学生以及机房环境下的大班教学。
（1）所需材料
硬件：Arduino*1、舵机*2、yeelight LED灯*1、杜邦线*6、小音箱或语音播报模块。
软件：jupyter或idle。
（2）实现功能
调用封装好的动物识别模型，在成功识别出相应动物名称后，组装驱动硬件部分实现如下功能：①利用pyttsx3模块，实现语音播報识别出的保护动物名称。
②利用Pinpong模块，实现Arduino控制舵机转动，在转盘中指向识别出的动物名称。③利用yeelight模块，结合小彩灯，当识别到不同动物时，彩灯会显示与之相对应的不同颜色，如检测到金丝猴亮起黄灯，检测到耳廓狐亮起绿灯。如果迁移在水果分类项目中，还可以使亮起的灯显示为识别出的相应水果的颜色，如火龙果显示红色、香蕉显示黄色。
（3）实现方式
核心代码如图10所示。
结语
在本项目中，教师带领学生体验了完整的图像分类识别流程，理解了resnet50、MobileNetV2两种图像分类模型在结构、训练速度、训练模型识别精度等方面的差异，实现了利用Arduino部署自训练模型，解决了机房局域网环境下API调用本地化等问题。
参考文献：
[1]飞桨官网[EB/OL].https：//www.paddlepaddle.org.cn/documentation/docs/zh/guides/beginner/data_preprocessing_cn.html.
[2]飞桨官网[EB/OL].https：//www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/nn/Sequential_cn.html#sequential.
猜你喜欢图像识别基于Resnet-50的猫狗图像识别电子制作(2019年16期)2019-09-27高速公路图像识别技术应用探讨中国交通信息化(2019年4期)2019-07-13图像识别在物联网上的应用电子制作(2018年19期)2018-11-14图像识别在水质检测中的应用电子制作(2018年14期)2018-08-21浅谈模式识别在图像识别中的应用电子测试(2017年23期)2017-04-04基于多组合内容的图像识别机制电子设计工程(2015年8期)2015-02-27