用人工智能解決真實問題的技術(shù)地圖

謝作如

摘要：隨著深度學習技術(shù)的發(fā)展，人工智能的門檻逐步下降，借助大量數(shù)據(jù)和開源算法即可獲得相應的智能，已經(jīng)成為人們的共識。本文以“解決真實問題”為核心問題，介紹了適合青少年使用的模型訓練和部署工具，并以“害蟲識別”為例，介紹了具體的工作流程和技術(shù)工具，形成技術(shù)地圖。

關(guān)鍵詞：新一代人工智能；人工智能教育；XEdu

中圖分類號：G434? 文獻標識碼：A? 論文編號：1674-2117（2024）01-0085-03

數(shù)據(jù)、算法和算力被公認為推動人工智能發(fā)展的三駕馬車。隨著深度學習技術(shù)的發(fā)展，人工智能的門檻逐步下降。從2021年開始，筆者陸續(xù)在本刊發(fā)表以“用人工智能解決真實問題”為核心的系列文章，介紹了具有代表性的人工智能開發(fā)工具。越來越多的教師開始認同，借助大量數(shù)據(jù)和開源算法，訓練具備一定智能的模型，從而解決一些簡單的真實問題，應成為中小學人工智能課程的核心內(nèi)容。

2023年12月，筆者在第十一屆中小學STEAM教育大會上介紹了一個AI開源課程的眾籌計劃。這個課程以真實問題解決為導向，以項目式學習的方式組織課程內(nèi)容，引發(fā)了很多教師的關(guān)注和支持，有教師提出，能不能為一線教師提供一份用AI解決問題的技術(shù)地圖，讓教師們能快速入門？

用AI解決真實問題的流程分析

人工智能的開發(fā)框架很多，相關(guān)的工具也很多，但教師們常因缺少對工具的全面了解而很難設(shè)計出一份合理的技術(shù)地圖，容易走彎路。因此，為了能更加清晰地表述，筆者以勞動和科學教育中常遇到的昆蟲識別問題為例，結(jié)合一個害蟲識別應用的開發(fā)過程來介紹各種技術(shù)工具的選擇。

首先，要訓練一個昆蟲的分類或者識別模型。人工智能的核心是模型，用人工智能解決真實問題實際上可以等同為用模型來解決問題。要識別害蟲，可以借助提供網(wǎng)絡API服務的AI開放平臺，也可以使用一個已經(jīng)訓練好的昆蟲模型。但如果AI模型不是自己訓練，顯然有“攘人之美”之嫌。當然，遇到的真實情況常常是AI開放平臺要收費或者沒有相關(guān)功能，找到的預訓練模型的識別效果不好或者根本找不到。而農(nóng)場中出現(xiàn)的昆蟲種類并不多，完全可以自行收集數(shù)據(jù)訓練模型。

其次，訓練好的模型需要部署為智能應用。應用模型也有多種選擇，一種是將模型部署在服務器或者可以長時間開機的電腦上，提供WebAPI服務，使用帶攝像頭和Wi-Fi的開源硬件，將害蟲的照片發(fā)回到Web服務器，然后得到推理結(jié)果。一般來說，只有較大的模型才需要這么做。另一種是直接將模型運行在開源硬件上，拍攝、識別和執(zhí)行等功能全部整合在一起。能運行Python的開源硬件，絕大多數(shù)都支持ONNX的模型推理，如行空板、樹莓派和愛克斯板等。只要模型不是太大，都能直接部署推理。

具體的流程分析如下頁圖1所示。而識別昆蟲的模型，使用圖像分類技術(shù)即可，選擇常見的MobileNet模型約10M，ResNet18模型也才50M。以愛克斯板為例，即使不做OpenVINO加速，推理速度也很快。

訓練AI模型的技術(shù)地圖

對自行訓練模型來說，收集數(shù)據(jù)是一件最核心的工作。因為算法是開源的，算力是購買的，對學生來說核心工作也只有數(shù)據(jù)收集、清洗等。一般來說，如果不追求精度，每個類別的昆蟲圖片有數(shù)十張就夠了，采用遷移學習的方式，訓練速度很快，甚至可以直接在網(wǎng)頁端訓練。這個訓練模型的過程不需要寫代碼。

如果數(shù)據(jù)比較多，建議選擇MMEdu來訓練模型。用MMEdu訓練模型，核心代碼就六行。只要按照ImageNet的數(shù)據(jù)集格式，將昆蟲圖片放在不同的分類目錄中即可。具體可以參考XEdu的幫助文件，或者打開浦育平臺的“貓狗”“手寫體數(shù)字”之類的數(shù)據(jù)集來查看。即使用MMEdu來訓練，也有幾種方式可以選擇，如圖2所示。

用浦育平臺提供的服務器（容器）訓練模型。浦育平臺提供了GPU服務器，訓練速度比普通電腦要快一些，唯一不方便的是需要將數(shù)據(jù)集打包上傳到平臺。

搭建本地XEdu環(huán)境訓練模型。即使在浦育平臺上，訓練模型一般也要選擇XEdu服務器，如果電腦能夠安裝Win7的64位，或者Win10、Win11等操作系統(tǒng)，就可以下載XEdu一鍵安裝包，解壓后訓練環(huán)境就配置好了。XEdu提供了各種參考代碼，改一下目錄就可以使用了。

實際上，XEdu也提供了無代碼訓練模型的工具。當運行EasyTrain系列工具時，系統(tǒng)會打開一個網(wǎng)頁，按照網(wǎng)頁上的提供，將數(shù)據(jù)集放在相應的位置，一步一步操作，最后生成代碼，并直接開始模型訓練，如下頁圖3所示。

應用AI模型的技術(shù)地圖

在模型訓練結(jié)束后，接下來就是模型應用推理了。不同的AI模型有不同的推理框架，筆者推薦使用ONNX格式。這是一種非常通用的模型交換格式，推理環(huán)境的安裝很容易，推理速度又快。MMEdu提供ONNX模型轉(zhuǎn)換的功能，參考代碼如“model.convert（checkpoint=in_file， out_file=out_file）”。如果使用EasyTrain工具，訓練結(jié)束后都會提示要不要轉(zhuǎn)換為ONNX。

用浦育平臺的“AI體驗”網(wǎng)頁中圖像分類模塊訓練的模型，也能轉(zhuǎn)換為ONNX格式的模型。在平臺的“項目”欄目輸入關(guān)鍵字“tensorflow”，即可找到類似“模型轉(zhuǎn)換：從TensorFlowJS到ONNX”的項目，任選一個，按照提示，即可完成模型轉(zhuǎn)換。

對于ONNX模型的推理，實際上就屬于傳統(tǒng)編程的學習內(nèi)容了。使用模型推理和使用一個Python的庫沒有任何區(qū)別。Mind+中有個名叫BaseDeploy的插件，安裝后就能用圖形化的方式寫推理代碼了。MMEdu在轉(zhuǎn)換模型的同時，會產(chǎn)生Python參考代碼，簡潔易懂，其使用的是XEduhub庫。對于浦育平臺訓練出來的ONNX模型，使用“mmcls= wf（task='mmedu'，checkpoint= 'insect.onnx'）”即可推理。圖4中的代碼是將圖片“insect01.jpg”進行了推理，并輸出了結(jié)果。

結(jié)語

如上所述，筆者成功地完成了一個昆蟲識別的AI應用。限于篇幅，本文沒有展開介紹如何從攝像頭中獲取圖片、如何根據(jù)推理結(jié)果做出不同的執(zhí)行動作等。在這個過程中，學生有多種可選的方法和工具，具體要視情況作出合適的選擇。而本文在介紹各種技術(shù)的過程中，也展示了人工智能教育區(qū)別于傳統(tǒng)編程教育的最重要標志，那就是要訓練AI模型。