◒水果识别教学实验室FOOD SCIENCE × AI LITERACY本地运行 · 图片不上传
一个可以亲手完成的AI小实验

让AI学会分水果。

从几张有标签的图片出发,训练自己的分类器,再用没见过的图片检验它。

今天不写代码,只做四件事准备数据 → 训练 → 预测 → 验证预测分数不等于正确率,模型也不会自动认识所有物体。
0张训练图片
0个模型版本
进行中当前实验
正在读取离线示例数据…

先给模型一些例子

每一张图片是一个样本,“苹果、橙子、梨”是它的标签。

这三包数据不要混用

基础包与改进包:可以加入训练。
挑战包:观察错误、帮助改进,可以反复检查。
最终测试包:模型确定后才用,使用后锁定本次实验。

准备你自己的图片

点击对应类别的“添加图片”,一次可选择多张。拍摄不同实物、角度与光照;不要只连拍同一个水果,也不要把测试图片放进训练集。

支持JPEG、PNG、WebP;会检查完全重复的文件,不会自动识别同一实物的近似照片。

把例子变成一个模型

图像特征提取器已经预训练;现在真实训练的是你自己的三分类层。

水果图片→预训练MobileNet提取图像特征 · 参数固定→你的分类层通过训练调整参数→苹果 / 橙子 / 梨

训练设置

先保持设置不变,通过补充有针对性的数据改进模型。多训练几轮不保证新图片上表现更好。

训练前,每类至少需要3张图片。

真实训练过程

等待初始化
点击训练后,观察损失如何随轮次变化
当前轮次—
训练损失—
训练集正确率—

这里的正确率来自训练集,不是独立测试成绩。图中的每一点均来自本次实际计算。

给它看一张新图片

这一步叫“推理”:使用已经学到的参数,不继续训练。

▧

选择图片,或者拍一个水果

也可以试试香蕉、水杯等没有学过的物体。

可使用自备照片;上传的图片只在当前浏览器中处理。

模型的判断

等待一张图片

三个分数之和约为100%,只表示模型在这三类中的相对倾向,不是“有多大概率一定正确”。

普通三分类器没有“我不认识”这一类。即使输入水杯,也可能强行给出一个水果类别。

快速试一试 · 挑战包图片

它是真的学会了,还是只会熟悉的题?

同一批图片比较V1与V2,记录正确数量、错误类型和改进效果。

将同时检查所有已训练的版本;挑战包不会锁定实验。
训练模型后,点击评估;这里会出现真实结果和混淆矩阵。

这是教学练习,不是食品检测工具

内置样本均是白色背景、100×100像素的公开数据。我们按不同原始采集目录划分用途,并检查完全重复文件;但这不等于覆盖真实拍摄环境或证明所有实物独立。请用另外拍摄的水果检验泛化能力。图片识别结果不能判断水果是否安全、变质或适合食用。

教师与学生都可以照着做

从这里开始,完成一次真实实验

  1. 在“准备数据”载入基础包,每类30张。
  2. 在“训练模型”点击训练V1,等待特征提取和训练结束。
  3. 在“识别水果”试几张图片,观察模型分数。
  4. 到“测试与比较”评估挑战包,记录错误。
  5. 回到第一步,加入改进包或自备图片,训练V2。
  6. 先在挑战包比较,确定方案后,再运行最终测试。
  7. 导出报告与实验文件。刷新页面后,可恢复之前的本地实验。
训练不需要联网。首次加载预训练模型和提取特征可能需要几十秒,具体取决于设备;后续会复用特征缓存。

几个重要边界

预训练图像特征不是从零学出来的;训练曲线不是测试成绩;预测分数不是可靠性保证;挑战包不能冒充最终测试集。

照片只在本地浏览器处理。保存实验会下载包含照片和模型参数的JSON文件,请妥善保管,不要收集未经同意的人像。