ModelArts+Wechaty识别童年美食.docx

?

?

“梦回童年，尽享美食“--ModelArts+Wechaty识别童年美食

?

?

【摘要】如果还能再过一次儿童节……

?

大家好，我是Copy攻城狮胡琦，昨晚终于把憋了很久的ModelArts+Wechaty实现有趣的美食图片识别应用跑通了。尽管结合Wechaty调用AI相关服务在多年以前就被千人实现过了，不过作为小白的我能够借助一站式AI开发平台ModelArts新手制作数据集、训练模型并部署，最终通过最好的微信开发库Wechaty实现调用AI服务的聊天小助手，还是十分有趣的。当然，我也迫不及待地将我的实践分享给大家，也希望能够获得各位大佬的指导！

?

数据集制作

我们从AI开发流程出发，当我确定了我的目的是要结合ModelArts+Wechaty来实现童年美食识别，基本上我的技术选型也就确定了，鉴于我学艺不精，零基础都能上手的一站式AI开发平台ModelArts和四行代码就能实现聊天机器人的微信开发库Wechaty,便成了我唯一的选择。准备数据的阶段，我有幸遇到了前辈贡献的代码，因此能够快速从某度图片获取我想要的图片，具体操作可以查看我的历史文章《新手小白如何快速获取数据集》。我用同样的手法获取到了菠萝啤、大白兔奶糖、干脆面、果丹皮、汉堡橡皮糖、猴王丹、花生牛轧糖、健力宝、酒心巧克力、烤红薯、辣条、老冰棍、三色冰淇淋、沙琪玛、跳跳糖、娃哈哈AD钙、旺旺碎冰冰、旺仔牛奶、西瓜泡泡糖、仙贝、鱼皮花生、玉米软糖、真知棒、咪咪虾条共24个分类，从7200张图片中一张一张分拣，最终标注3543张，实现了一个暂时看上去想那么回事的数据集--《儿童节特辑--8090的童年美食》。

?

不过，目前从数据的标签分布来看，不太合理，被标注最多的标签数量多达268个，而被标注最少的标签数量仅23个，两者差了一个数量级，因此训练出来的模型大概率会跑偏。

在ModelArts上进行数据标注时，其实也是有一定技巧的。比如，我在本地获取到了大量的图片，通过OBS的命令行工具上传到OBS桶中之后，由于此次标注是图像分类，因此我在标注时可以通过图片存放的OBS目录来快速筛选出当前要分拣的标签以及进行标注。目前ModelArts数据集处理时单页最多可显示60张图片，这也给我对图片进行精挑细选提供了强有力的支持。其次，在进行图片挑选时，可以从最后一页进行，每次删除图片时顺带把源文件也从OBS中移除，移除往前直至处理到第一页。最后，又可以全选当前页进行标注。整个数据集从数据获取到数据处理再到数据集发布，花了不到2小时，个人感觉对新手小白已经很友好了！

训练及评估模型

如果您对《儿童节特辑--8090的童年美食》数据集感兴趣，可以在AIGallery进行一键下载，既可以下载到OBS也也可直接下载到ModelArts数据集。

基于数据集，在ModelArts平台上除了可以自行开发算法并训练模型，也可以使用AIGallery的订阅算法或者直接使用ModelArts的自动学习来训练模型。这里为了更简便的操作，本大狮就直接使用简单粗暴的自动学习来实现，主要想看到当前的数据集能训练出怎么样的结果(PS:其实主要是免费，「请把免费打在评论区」)，您期待吗？

在创建完自动学习的任务运行9分钟之后，我Get到了一个模型，从训练结果来看还是非常理想的，不过究竟是骡子是马，还得看最终部署之后的效果。

表中是各个标签所对应的参考值，其中F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1值较高时说明模型效果较好；精确度指的是被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力；召回率指的是被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。

标签名

F1值

精确率

召回率

三色冰淇淋

0.933

0.875

1.000

仙贝

0.985

1.000

0.971

健力宝

0.957

1.000

0.917

咪咪虾条

0.990

0.980

1.000

大白兔奶糖

0.986

0.972

1.000

娃哈哈AD钙

0.977

0.955

1.000

干脆面

0.944

0.919

0.971

旺仔牛奶

0.971

0.971

0.971

旺旺碎冰冰

1.000

1.000

1.000

果丹皮

0.968

1.000

0.938

汉堡橡皮糖

0.971

1.000

0.943

沙琪玛

1.000

1.000

1.000

烤红薯

0.990

1.000

0.981

猴王丹

1.000

1.000

1.000

玉米软糖

0.977

0.956

1.000

真知棒

1.000

1.000

1.000

老冰棍

1.