作者/圖片來源：CAVEDU 教育團隊
近期各種AI視覺辨識網站愈來愈多啦，讓入門者不需要寫複雜的程式，只需要提供所要辨識目標的資料就能開始訓練神經網路。MIT App Inventor 建置了 Personal Image Classifier 網站之後，您無需編寫任何程式碼，只要整理好想要分類的目標照片，上傳到網站並訓練（訓練時間端看您提供的影像資料數量而定），就可以把訓練好的 .model 檔上傳到您的 App Inventor 專案中，離線視覺辨識 App 就完成囉！
阿吉老師說：「這並不代表練習程式時所培養的能力不重要，而是讓入門門檻降低，如需要對於神經網路或深度學習有更深入理解，還是需要打好基本功喔！」
訓練神經網路
請參考本文來訓練一個您想要的視覺辨識模型，並下載訓練好的 .mdl 檔。
App Inventor端Designer頁面設定
請由MIT App Inventor 網站下載 personalImageClassifier擴充檔，或由此下載 .aia原始檔。再匯入您的 App Inventor 專案即可。請注意，PIC元件無法像 Sound元件一樣，無法透過程式指令在執行過程中修改所使用的 model （Sound元件可以隨時修改其 Source 來源檔案）
本專案元件說明如下，您之後可以根據個人需要來修改介面配置：
• personalImageClassifier 元件(本文後簡稱PIC元件)，別忘了匯入喔
• 一個 WebViewer 用來即時預覽相機的畫面
• 切換前後鏡頭的按鈕 (ButtonSwitch)
• 拍照的按鈕(ButtonTake)
• 顯示結果用的標籤 (Label_Result)
Blocks
STEP1：PIC元件相關設定
當PIC元件準備完成之後，把在PIC網站上訓練好的模型的 ModelLabel 顯示在Label 上。可以先檢查有沒有匯入錯的辨識模型檔。
STEP2
如果PIC元件發生錯誤的話，把 errorCode 顯示出來。
STEP3：切換前後鏡頭與辨識影像資料
按下 ButtonCamera 之後，切換前後鏡頭。另外按下 ButtonTake 按鈕，呼叫 PIC元件的 ClassifyVideoData 方法來辨識，另外也有 ClassifyImageData 方法來辨識單張照片。
STEP4：取得辨識結果與信心指數
在PIC元件的 GotClassification事件中，所回傳的 result 是 (類別名稱, 信心指數) 的清單，例如 (apple, 0.763)。信心指數原為 0~1之間的小數，在此 x 100 轉換為百分比。
在此設定如果信心指數 (value) > 60的話，就把結果顯示出來，反之則顯示 “看不懂”。您也可以自行調整這個閾值。
執行畫面
開啟程式會直接開啟相機鏡頭並顯示於app中的 WebViewer元件，隨後會看到 ModelLabel (模型可分辨的影像類別），對準要辨識的物體按下 [Take Picture]按鈕就可以辨識了，看看訓練的結果如何吧~
如果想要自拍辨識自己的表情的話，也可以切換前後鏡頭喔
程式初始畫面
成功辨識為蘋果，信心：54.869
成功辨識為橘子，信心：72.119
成功辨識為草莓，信心：95.215
放開按鈕，顯示對應訊息
最後附上之前我分享 [AI 與 科技教育] 的影片，其中很重要的觀念就是”資料導向”：只有你自己才知道哪些是正確或足夠好的資料，一定要用心整理資料喔！
（責任編輯：王姵文）
- 【CAVEDU講堂】NVIDIA Jetson AI Lab 大解密！範例與系統需求介紹 - 2024/10/08
- 【CAVEDU講堂】Google DeepMind使用大語言模型LLM提示詞來產生你的機器人操作程式碼 - 2024/07/30
- 【CAVEDU講堂】《Arduino首次接觸就上手》新手村教學：LED燈閃爍 - 2024/04/18
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
