使用Mac训练部署图片分类模型_mac 图片分类大模型训练工具

可能有些同学学习机器的时候看了很多经典书籍介绍的各种算法，还是比较迷茫，不知道该怎么上手，又不知道怎么来解决问题，就算知道了，又发现需要准备环境、准备训练和部署的机器，有点麻烦。

今天，我来给大家介绍一种容易上手的方法，给你现成的样本和代码，按照步骤操作，就可以在自己的 Mac 上体验运用机器学习的全流程啦~~~

环境准备

安装 Anaconda

下载地址： www.anaconda.com/products/in…

安装成功后，在终端命令行执行以下命令，使环境变量立即生效：

$ source ~/.bashrc

可以执行以下命令，查看环境变量

$ cat ~/.bashrc

可以看到 anaconda 的环境变量已经自动添加到 .bashrc 文件了

执行以下命令：

$ conda list

可以看到 Anaconda 中有很多已经安装好的包，如果有使用到这些包的就不需要再安装了，python 环境也装好了。

注意 ：如果安装失败，重新安装，在提示安装在哪里时，选择「更改安装位置」，安装位置选择其他地方不是用默认的，安装在哪里自己选择，可以放在「应用程序」下。

安装相关依赖

anaconda 中没有 keras、tensorflow 和 opencv-python， 需要单独安装。

$ pip install keras
$ pip install tensorflow
$ pip install opencv-python

样本准备

这里只准备了 4 个分类： button、keyboard、searchbar、switch， 每个分类 200 个左右的样本。

 

模型训练

开发训练逻辑

新建一个项目 train-project, 文件结构如下：

.
├── CNN_net.py
├── dataset
├── nn_train.py
└── utils_paths.py

入口文件代码如下，这里的逻辑是将准备好的样本输入给图像分类算法 SimpleVGGNet， 并设置一些训练参数，例如学习率、Epoch、Batch Size, 然后执行这段训练逻辑，最终得到一个模型文件。

# nn_train.py
from CNN_net import SimpleVGGNet
from sklearn.preprocessing import LabelBinarizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from keras.optimizers import SGD
from keras.preprocessing.image import ImageDataGenerator
import utils_pat