FINYUE 原创 · AI 工具 · 免费开放
这次换你教AI！Google这个免费工具，让你训练自己的识别模型
把圆形、星形卡片交给AI，自己点一下训练，再用新图片当场验收。我们实测Google Teachable Machine，从分组上传到补样复训，还把模型下载到本机。想弄明白AI怎样学习，或做一个互动小原型，这个免费入口值得收藏。
阅读无需登录 · PNG 多页会打包为 ZIP · 动图导出为静帧
（测评类文章，预计阅读3—5分钟）
各位朋友，这次发现的AI玩法，本人很想推荐大家亲手试一下。你给它一组图片，告诉它哪些属于圆形、哪些属于星形，再点一下训练，它就能拿新图片来分类。看着自己准备的样本变成一个会给出判断的模型，那种感觉很特别：平时觉得抽象的“AI学习”，终于在眼前发生了。
设计图｜这次换你教AI，体验Teachable Machine图片分类。
今天打开的是Teachable Machine。它属于Google的AI实验项目，相关代码由Google Creative Lab仓库提供，训练和运行用到TensorFlow.js。官网把图片、声音和姿势都做成了可选择的项目，还列出了MIT Media Lab等机构的教学资源。学生、老师、喜欢做互动创意的朋友，都能从这里找到一个很直观的入口。
设计图｜支持图片、声音、姿势三类项目，本篇实际体验图片分类。
最吸引我们的是它把训练过程摆得很明白。样本放左边，训练在中间，预测结果在右边；自己的输入怎样影响结果，可以直接看见。本次使用免费网页，进入图片项目没有要求注册或付款。想知道一台机器怎样从例子里学会区分东西，这个页面值得专门打开。
实测截图｜中文入口提供图片、音频与姿势项目。
先给AI布置一个小任务
我们准备了原创的圆形、星形卡片，设想给一个读书活动做图形分组。每类第一轮36张，颜色、大小、位置和底色都有变化。再另外留出3张新圆形、3张新星形，训练时不放进去，最后才拿来验收。这样看结果时，才知道它能不能把学过的规律用到新图片上。
实测截图｜本次选择标准图片模型，页面注明使用224×224彩色图片。
第1步，打开官网，选择“图片项目”，再选“标准图片模型”。默认的两个类别都能直接改名，我们填成“圆形卡片”和“星形卡片”。这一步很顺手，分类名称由自己决定，后面的预测也会沿用这些中文名字。你想教它分什么，先把分组想清楚就行。
实测截图｜收集样本、训练、预览在同一工作区。
本人很喜欢这种“先分组、再学习”的安排。圆形和星形容易看懂，第一次体验不用同时处理太多条件。你也可以从自己熟悉的两类物品开始，给每类准备一些角度和背景不同的照片。样本里尽量保留变化，后面新图进来时，模型才有机会见识过相似情况。
实测截图｜两类名称已改为圆形卡片和星形卡片。
第2步，点对应类别里的“上传”，从文件选择图片。我们没有开启摄像头，直接用原创卡片文件完成训练。页面会把图片剪裁为方形，所以主体最好放在中间。导入以后，缩略图和样本数量都留在对应类别下，是否放错组，扫一眼就能检查。
实测截图｜从文件导入样本，页面提示图片将剪裁为方形。
两类各36张放好后，整个任务已经很有画面了。圆形一排、星形一排，训练按钮也可以使用了。家人们，这里省心的地方是样本管理就在眼前，添加和训练挨得很近，第一次接触机器学习，也能知道自己正在做哪件事。
实测截图｜首轮圆形、星形各36张样本。
点一下训练，看它开始学习
第3步，点“训练模型”。第一次我们保留默认参数，页面显示50个周期、批次大小16。新手先用默认值体验就很合适，不必开场就研究一整套专业名词。训练时能看到计时与周期进度，等待也有明确反馈，知道这一步正在往前走。
实测截图｜首轮默认训练参数。
下面这段是真实训练画面，约18秒。我们点击后，页面开始加载并推进训练进度。实际训练完成后，中间变成“已训练模型”，右边可以试新图。这种从一堆例子到一个可测试模型的变化，特别适合拿来做AI入门体验，课堂上也很容易围绕它展开讨论。
真实操作动图｜点击训练后的连续网页画面，约18秒。
拿新图验收，才知道学到了多少
第4步，把预览区的输入改为“文件”，上传没有参加训练的图片。第一张金色圆形给我们出了道题：首轮页面显示圆形21%、星形79%，它分错了；新星形则显示星形100%。这一下体验反而更有意思了，训练后的结果可以马上检验，哪里需要改进，也有具体的对象可看。
实测截图局部｜首轮验收使用的金色圆形卡片。
接下来我们给每类再加12张原创样本，达到各48张，然后重新训练。补样本仍是同一个上传入口，已有分组也保留着，调整起来挺轻松。这里最值得夸的是，发现问题以后马上能接着做，补充、训练、验收都留在这一个工作区里。
实测截图局部｜补充后，两类各48张样本。
复训后再测那张金色圆形，页面的圆形读数变成100%。继续验收另外两张圆形和三张星形，这6张独立新图都分对了。本人最喜欢这一步：刚才那个具体问题得到改善，自己怎样准备样本，真的能影响模型的表现。看着熟悉的图形出现在预测区，成就感一下就有了。
实测截图局部｜两类各48张样本训练后的圆形验收，圆形显示100%。
星形验收也能直接看见类别名和预测条。这里的100%是页面对这张图片显示的预测分数；我们本次验收的是6张新图。颜色和位置有变化还能分对，让这次小实验很有成就感，也让人愿意继续加样本、试更丰富的图片。
实测截图局部｜两类各48张样本训练后的星形验收，星形显示100%。
我们还试了一张三角形，复训模型却把它归进星形，显示99%。原因很容易理解：当前只教了圆形、星形两类，它仍会在这两类里选择。要做更多分类，可以继续添加类别和相应样本。这种边界亲自试一次就明白了，之后准备自己的项目，也更知道该怎样设计分类。
实测截图局部｜用于测试两类模型边界的三角形卡片。
结果还能带走，继续做自己的项目
第5步，点“导出模型”。页面提供TensorFlow.js、TensorFlow和TensorFlow Lite等选项，既能继续在浏览器项目里用，也给其他环境留了格式选择。我们先选择TensorFlow.js的“下载”，把这次模型带到本机。自己教出来的东西能带走，这一点真的很加分。
实测截图｜导出面板提供TensorFlow.js、TensorFlow与TensorFlow Lite。
下载到的包里有model.json、weights.bin和metadata.json，标签保留了“圆形卡片”“星形卡片”。导出面板还给出使用代码，想做互动网页的朋友，可以沿着这个入口继续尝试。单纯体验分类，到这里就已经走过了收集、训练、测试和下载的完整过程。
实测截图｜选择下载模型，TensorFlow.js模型包已实际落盘。
我们也走了一次Keras导出，得到模型文件和标签文件。页面说明这个格式需要云端转换，上传的是训练后的模型，训练样本不会随转换上传。对想继续接到不同项目里的人，格式选择和说明都很实用；第一次玩，只需先把最容易用上的版本保存好。
实测截图｜Keras导出说明标明云端转换，本次已下载模型与标签。
官网FAQ还说明，训练在浏览器标签页中进行，样本不会发送到服务器，除非自己把项目保存到Google云端硬盘。本次我们只用了原创文件。网页训练、预测和下载没有要求付费，登录主要关联云端硬盘等保存方式；要保存自己的工作，记得在关闭标签页前选好保存或下载方式。
官方FAQ截图局部｜说明样本处理与浏览器标签页训练方式。
这个免费入口，值得收藏
我们给Teachable Machine 4/5的主观推荐分，依据就是这次图片分类体验。分组上传容易看懂，训练完立刻能测，补样本后能接着复训，模型也确实下载到了本机。它很适合AI入门、课堂体验和互动原型。想做稳定的实际识别，还要继续用更多不同条件的新图检验。
设计图｜FINYUE主观推荐4/5，依据本次图片分类体验。
如果你一直想弄懂AI怎样从样本里学东西，收藏这个入口，拿两类自己熟悉的图片试一次。也可以把文章转给爱做小实验的朋友，大家各准备一组样本，看看自己教出来的模型有什么不同。从收集卡片到看到预测条，这次体验把好奇心变成了看得见的结果。各位朋友，我们下次见。
FIND YOUR UNIQUE EXISTENCE