使用 MaixHub骑冗， 不會 AI 訓練編程也能快速訓練出 AI 模型并快速部署到你的開發(fā)板或者是手機和網(wǎng)頁服務上赊瞬！

版權(quán)聲明：本文為 neucrack 的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議贼涩，轉(zhuǎn)載請附上原文出處鏈接及本聲明巧涧。
原文鏈接(持續(xù)更新）：https://neucrack.com/p/444

先看看效果， 一個檢測小鴨子（可同時檢測多個相同或者不同目標）遥倦，另外一個是表情分類模型：

deploy

face_emotion.gif

視頻來源： 基于K210的情緒識別與可視化

這樣的功能谤绳，使用 MaixHub 搭配一款硬件（手機、電腦谊迄、開發(fā)板）就能快速實現(xiàn)闷供，甚至不需要寫一行代碼烟央！
利用 MaixHub 快速開始制作你的 AI 應用统诺，或者開始入門學習 AI 模型訓練基本知識吧！

新版 MaixHub 簡介

MaixHub 推出了新版疑俭！支持了更多設備粮呢，包括 K210, V831, NCNN, TFjs, TinyMaix(所有單片機上運行)！更新了一大堆功能：

• 多種上傳數(shù)據(jù)集方式：

  
  
  上傳數(shù)據(jù)集
  • 本地文件上傳

  • 設備直接拍照后一鍵上傳

    
    
    采集
  • 導入本地標注

• 支持在線標注钞艇，簡單快速好用啄寡，以及支持視頻自動標注哦

  
  
  在線標注

• 多種訓練參數(shù)自定義支持

  
  
  參數(shù)
• 多種平臺（硬件平臺）

  • 手機、電腦

    
    
    瀏覽器
  • 帶硬件NPU加速的高性價比板子哩照，比如Maix-II-Dock
    
    m1m2
  • 通用單片機挺物，更是推出了超輕量的單片上運行的模型推理庫TinyMaix，可以移植到任意單片機飘弧，甚至能在 2KiB RAM的arduino上跑
    
    mcu

• 訓練過程识藤、日志、圖標展示次伶，以及驗證結(jié)果展示痴昧，方便分析和優(yōu)化模型

  
  
  maixhub

• 一鍵部署到設備

  
  
  部署

• 一鍵分享到模型庫（模型平臺/model zoo），同時模型庫也支持手動上傳分享更厲害好玩的模型哦

  
  
  模型庫

訓練一個模型試試

注意 MaixHub 在不停更新冠王，可能有些地方在未來會有些許變化赶撰，原理變化不大，舉一反三即可

• 創(chuàng)建訓練項目柱彻，選擇檢測任務豪娜，檢測任務能框出物體的位置，后面需要我們標注數(shù)據(jù)哟楷，分類任務則不需要標注框侵歇，用來區(qū)分多種物體

  
  
  創(chuàng)建訓練項目
  
  
  創(chuàng)建項目

• 創(chuàng)建數(shù)據(jù)集

  
  
  數(shù)據(jù)集

• 采集數(shù)據(jù)，可以從本地上傳吓蘑，也可以用手機在線拍照采集惕虑，也可以用設備拍照采集（比如 Maix-II-DocK）

  
  
  采集數(shù)據(jù)
  
  
  采集

• 標注數(shù)據(jù)坟冲，就是將要檢測的物體框起來，并且給一個標簽溃蔫，比如這里只有一個duck健提；一張圖里面可以有多個框，也可以只有一個框伟叛，最后訓練出來的模型都能識別同一個畫面的多個物體私痹，數(shù)據(jù)量盡量多一點，覆蓋的場景全面一點统刮，這樣實際到板子上跑起來準確率更高紊遵，最好使用什么板子跑就用什么板子采集數(shù)據(jù)，準確率會高些

  
  
  collect

這里有訓練集侥蒙，驗證集暗膜，測試集的概念，訓練集就是拿來參與訓練的數(shù)據(jù)鞭衩，驗證集不參與訓練学搜，但是每隔一段訓練時間后會將模型在驗證集上面跑一次，得到 val_acc也就是驗證集精確度论衍，即這個模型在這個從來沒參與過訓練的數(shù)據(jù)上正確率如何瑞佩，一般用這個指標來評判模型的好壞；測試集則是完全沒在訓練過程中參與的數(shù)據(jù)坯台，比如部署到板子上后實際識別的物體就算是測試集炬丸。所以為了讓實際在板子上跑的時候準確度高，盡量將驗證集的數(shù)據(jù)和實際應用的場景（測試集）相近蜒蕾，這樣訓練時在驗證集上的準確率（val_acc）才能更精確地反應在測試集上的效果稠炬。

比如你實際識別的是哈士奇狗狗，訓練集中放了各種狗狗圖滥搭，驗證集卻放了中華田園犬酸纲，就算 val_acc 為 1，即全部識別正確瑟匆，實際拿去識別哈士奇狗狗的時候可能完全無法識別

• 創(chuàng)建訓練任務闽坡，一個項目里面可以多次創(chuàng)建任務，調(diào)整不同的參數(shù)愁溜。
  注意要根據(jù)自己的設備選擇對應的平臺疾嗅，比如 K210 選擇 nncase， 普通沒有 NPU 加速的單片機選擇 TinyMaix冕象，手機或者瀏覽器跑則選擇 tfjs代承。分辨率使用默認的 224x224 效果最好，因為遷移訓練就是基于一個已經(jīng)訓練過的模型微調(diào)訓練模型渐扮，這個模型默認都是 224x224 下訓練的论悴，所以理論上效果最好掖棉。

  
  
  參數(shù)

另外，選擇模型主干網(wǎng)絡膀估，網(wǎng)絡越大效果越好（精確度越高）幔亥，但是占用的內(nèi)存就越大，以及運行消耗的時間就越久察纯，也就是對算力的要求越大帕棉，根據(jù)你的數(shù)據(jù)集復雜度以及設備性能選擇合適的主干網(wǎng)絡（backbone）。
還有更多參數(shù)饼记，可以看頁面對應的文檔說明即可香伴，也可以到首頁的交流群交流。

• 啟動訓練具则，訓練任務多的時候可能需要排隊即纲，耐心等待就好了，如果加急可以聯(lián)系官方或者管理員鈔能力解決哈哈哈乡洼。
  訓練過程可以看到 val_acc崇裁， 即損失和精確度曲線匕坯，會慢慢上升束昵，代表在驗證集訓練完成后可以看到
  
  訓練結(jié)果

如前面所說，這里最重要的是 val_acc葛峻，即在驗證集上的準確度锹雏，越接近 1越好（實際上這里 val_acc 是 MAP，MAP相關(guān)含義可自行搜索）术奖。以及展示了部分識別正確的和識別錯誤（或者未識別到）的樣例礁遵。

• 一鍵部署
  根據(jù)不同設備支持的方式可能不同，可能是直接下載文件（具體使用方法看對應說明）采记，也有（比如 Maix-II-Dock）支持一鍵部署佣耐，在設備上選擇模型部署，掃描部署頁面的二維碼即可自動部署唧龄，然后就可以進行識別了兼砖。
  需要注意的是一鍵部署需要設備已經(jīng)聯(lián)接互聯(lián)網(wǎng)，設備選擇聯(lián)網(wǎng)功能既棺，到 maixhub.com/wifi 生成填寫 WiFi 信息然后設備掃碼連接 WiFi讽挟， 注意不是局域網(wǎng)，需要能訪問互聯(lián)網(wǎng)丸冕。
  

  deploy

• 分享模型到模型庫
  訓練的模型可以一鍵分享到模型庫耽梅，如果你訓練的模型實際在板子上運行的識別效果不錯，歡迎點擊左邊導航欄分享模型分享到模型庫胖烛，可以多寫點圖文介紹眼姐，推薦在 B 站上傳一個視頻后嵌入到模型描述里面~

更多功能持續(xù)在更新_{持續(xù)關(guān)注哦}也歡迎來上傳分享你自己的模型诅迷！

訓練優(yōu)化建議

• 盡量多采集實際使用場景的圖片，覆蓋更多使用場景有利于提高最終識別率众旗。
• 圖片數(shù)量盡量不要太小竟贯，雖然平臺限制最小數(shù)量為 20 張圖才可以訓練， 但要打到比較好的效果逝钥，顯然一個分類 200 張都不算多屑那，不要一直在 30 張訓練圖片上糾結(jié)為什么訓練效果不好。艘款。持际。
• 默認分辨率但是 224x224， 是因為預訓練模型是在 224x224 下訓練的哗咆，當然也有其它分辨率的蜘欲，比如 128x128，具體發(fā)現(xiàn)不支持的分辨率預訓練模型晌柬，在訓練日志中會打印警告信息姥份。
• 為了讓驗證集的精確度的可信度更高（也就是在實際開發(fā)板上跑的精確度更接近訓練時在驗證集上的精確度），驗證集的數(shù)據(jù)和實際應用的場景數(shù)據(jù)一致年碘。比如訓練集是在網(wǎng)上找了很多圖片澈歉，那這些圖片可能和實際開發(fā)板的攝像頭拍出來的圖有差距，可以往驗證集上傳一些實際設備拍的圖來驗證訓練的模型效果屿衅。
  這樣我們就能在訓練的時候根據(jù)驗證集精確度（val_acc）來判斷模型訓練效果如何了埃难，如果發(fā)現(xiàn)驗證集精確度很低，那么就可以考慮增加訓練集復雜度和數(shù)量涤久，或者訓練集用設備拍攝來訓練涡尘。
• 對于檢測訓練項目，如果檢測訓練的物體很準响迂，但是容易誤識別到其它物體考抄，可以在數(shù)據(jù)里面拍點其它的物體當背景；或者拍攝一些沒有目標的圖片蔗彤，不添加任何標注也可以川梅，然后在訓練的時候勾選“允許負樣本”來使能沒有標注的圖片。
• 檢測任務可以同時檢測到多個目標幕与，如果你覺得識別類別不準挑势，也有另外一種方式，先只檢測模型檢測到物體（一個類別）啦鸣，然后裁切出圖片中的目標物體上傳到分類任務潮饱，用分類任務來分辨類別。不過這樣就要跑兩個模型诫给，需要寫代碼裁切圖片（在板子跑就好了）香拉，以及需要考慮內(nèi)存是否足夠