南途锦域 
不写一行代码在浏览器里训练自己的AI模型Teachable Machine完整上手教程【免费下载链接】teachable-machine-v1Explore how machine learning works, live in the browser. No coding required.项目地址: https://gitcode.com/gh_mirrors/te/teachable-machine-v1朋友想做一个自动识别谁举了手的小程序翻遍教程不是要啃数学公式就是要装显卡驱动最后瘫在沙发上放弃了。其实她想要的能力一个叫 Teachable Machine 的开源项目就能在浏览器里帮她搞定打开网页、对着摄像头拍几张照片、点一下训练按钮一个能识别手势的 AI 模型就训练完成了全程不需要写任何代码。这篇文章就带你从零跑通整个流程并避开新手最容易掉进去的坑。它其实是个教小孩认图的游戏把机器学习想象成教小朋友认猫狗你指着照片一遍遍说这是猫、这是狗孩子看多了自然就学会分辨。Teachable Machine 做的正是这件事只不过学生变成了运行在你浏览器里的神经网络模型而你教它的方式是拍样本、点训练、看结果。整个交互被设计成三个并排的模块一目了然输入Input选择学习素材的来源可以用摄像头实时画面也可以用麦克风收录声音学习Learning给你录好的样本打上类别标签按下训练按钮模型当场开练输出Output把识别结果接到动作上——播放一段声音、语音播报一句话、或者触发一张 GIF 动图。由于它基于 TensorFlow.js 构建所有计算都发生在浏览器内部不需要服务器、不需要 Python 环境、更不需要昂贵的训练显卡。你能用它训练两类感官让 AI 学会看图像识别或者学会听声音分类。界面上的每个彩色按钮代表一个类别绿色、紫色、橙色最多可以放三个类别训练时屏幕会实时显示每个类别的样本数和置信度。打开浏览器五分钟跑通你的第一个模型如果你只想先体验最快的方式是跑起本地项目。把仓库克隆下来安装依赖然后启动开发服务器git clone https://gitcode.com/gh_mirrors/te/teachable-machine-v1 cd teachable-machine-v1 yarn yarn run watch浏览器访问本地地址后跟着界面的引导箭头走完新手教程就能进入正式操作台。首次训练建议从图像识别入手因为摄像头画面是即时反馈出错最容易发现。一个最小的训练循环只需要四步选素材左侧选择摄像头允许浏览器使用摄像权限录样本按住第一个颜色按钮对着镜头拍十几张照片。做举手识别就举手录一批放下手录一批点训练每个类别都录完样本后按下训练按钮几秒钟后模型就绪来测试走到镜头前挥挥手观察右侧输出的类别名和置信度数字变化。全程不用碰代码但如果你感兴趣项目源码就整整齐齐躺在src/目录里图像分类的核心在 src/ai/WebcamClassifier.js声音分类在src/outputs/sound/下界面组件则集中在src/ui/。想深入研究的读者可以顺着这些目录一路看下去。新手最容易踩的5个坑附避坑思路第一次训练就翻车很正常大部分失败都集中在下面几个原因上。坑一以为样本越多越好。数量重要但样本的多样性才是关键。只在一个固定角度拍 200 张效果反而不如从不同角度、不同距离拍 80 张。训练手势时试着把身体侧一侧、手放高一点、离镜头远一点。坑二所有样本都在同一个环境下采集。这是识别率低的头号元凶。全部在台灯下拍换个房间光线一变就失灵。训练时故意切换几个背景、几种光线模型才学得会抽象特征而不是记背景。坑三类别标签写得模棱两可。按钮上写动作 A动作 B只会让你自己都分不清。标签要具体比如直接用招手握拳训练时才知道自己到底在录什么。坑四声音样本只有你一个人。录声音分类时别只录自己的声音那样模型只认你。拉上家人朋友各录几段或者换不同距离、不同音量录识别才能经得起别人来试。坑五期望一次训练就完美。训练是个迭代过程先录一批跑起来观察哪些场景识别错了再针对性补样本重新训练。每轮只改一件事效果才看得清楚。一个真实的改动前→改动后案例以家庭垃圾分类为例训练一个区分塑料瓶、易拉罐、纸杯的小模型。改动前的做法晚上在厨房灯光下把三样东西摆在固定位置每种对着镜头录了 150 张。结果训练完一测把易拉罐拿到客厅对着白墙模型直接把它认成塑料瓶置信度还在 90% 以上——因为模型记住的根本不是易拉罐而是厨房灯光下的那个反光面。改动后的做法把每种物品拿在手里边转动边录覆盖不同角度每换一个房间就补录一批三个类别各录到 100 张左右数量反而更少但来源更杂。重新训练后无论在白墙前、书桌前还是阳台模型都能稳定区分三种垃圾置信度数字也明显拉开差距。这个案例揭示的规律可以套用到任何项目不是模型笨是样本太单薄。训练效果的好坏八成取决于你喂给它的素材长什么样。从会玩到会用进阶路线图当你熟悉了录样本→训练→测试的循环就可以往三个方向深入。方向一把模型带出浏览器。训练完成后可以导出模型TensorFlow.js 格式适合嵌进网页应用TensorFlow Lite 格式适合跑在手机端。这意味着你训练的挥手识别可以变成网页里的翻页手势、App 里的快捷指令。方向二给输出加戏。别停留在识别出来就行。把识别结果接到声音播放上做一个检测到猫叫就放音乐的小玩具接到语音播报上给孩子做一个会说话的识字卡片。项目里assets/outputs/sound/sounds/已经放好了现成音效可以直接拿来用。方向三读懂源码二次开发。从 src/ai/WebcamClassifier.js 开始看图像识别是如何封装的再看src/ui/里界面组件怎么拼装。看懂之后你就能基于它改出自己的版本而不是停留在用别人做好的工具。现在就动手不要把这篇文章看完就关掉。克隆项目、允许摄像头权限、录下你的第一批样本让那个跳动的置信度数字告诉你你的第一个 AI 模型已经活了。在 Teachable Machine 里训练 AI 的难度第一次降到了拍几张照片的程度。而你和机器学习的距离也就差这一次点击训练按钮。【免费下载链接】teachable-machine-v1Explore how machine learning works, live in the browser. No coding required.项目地址: https://gitcode.com/gh_mirrors/te/teachable-machine-v1创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 不写一行代码，在浏览器里训练自己的AI模型：Teachable Machine完整上手教程
不写一行代码在浏览器里训练自己的AI模型Teachable Machine完整上手教程【免费下载链接】teachable-machine-v1Explore how machine learning works, live in the browser. No coding required.项目地址: https://gitcode.com/gh_mirrors/te/teachable-machine-v1朋友想做一个自动识别谁举了手的小程序翻遍教程不是要啃数学公式就是要装显卡驱动最后瘫在沙发上放弃了。其实她想要的能力一个叫 Teachable Machine 的开源项目就能在浏览器里帮她搞定打开网页、对着摄像头拍几张照片、点一下训练按钮一个能识别手势的 AI 模型就训练完成了全程不需要写任何代码。这篇文章就带你从零跑通整个流程并避开新手最容易掉进去的坑。它其实是个教小孩认图的游戏把机器学习想象成教小朋友认猫狗你指着照片一遍遍说这是猫、这是狗孩子看多了自然就学会分辨。Teachable Machine 做的正是这件事只不过学生变成了运行在你浏览器里的神经网络模型而你教它的方式是拍样本、点训练、看结果。整个交互被设计成三个并排的模块一目了然输入Input选择学习素材的来源可以用摄像头实时画面也可以用麦克风收录声音学习Learning给你录好的样本打上类别标签按下训练按钮模型当场开练输出Output把识别结果接到动作上——播放一段声音、语音播报一句话、或者触发一张 GIF 动图。由于它基于 TensorFlow.js 构建所有计算都发生在浏览器内部不需要服务器、不需要 Python 环境、更不需要昂贵的训练显卡。你能用它训练两类感官让 AI 学会看图像识别或者学会听声音分类。界面上的每个彩色按钮代表一个类别绿色、紫色、橙色最多可以放三个类别训练时屏幕会实时显示每个类别的样本数和置信度。打开浏览器五分钟跑通你的第一个模型如果你只想先体验最快的方式是跑起本地项目。把仓库克隆下来安装依赖然后启动开发服务器git clone https://gitcode.com/gh_mirrors/te/teachable-machine-v1 cd teachable-machine-v1 yarn yarn run watch浏览器访问本地地址后跟着界面的引导箭头走完新手教程就能进入正式操作台。首次训练建议从图像识别入手因为摄像头画面是即时反馈出错最容易发现。一个最小的训练循环只需要四步选素材左侧选择摄像头允许浏览器使用摄像权限录样本按住第一个颜色按钮对着镜头拍十几张照片。做举手识别就举手录一批放下手录一批点训练每个类别都录完样本后按下训练按钮几秒钟后模型就绪来测试走到镜头前挥挥手观察右侧输出的类别名和置信度数字变化。全程不用碰代码但如果你感兴趣项目源码就整整齐齐躺在src/目录里图像分类的核心在 src/ai/WebcamClassifier.js声音分类在src/outputs/sound/下界面组件则集中在src/ui/。想深入研究的读者可以顺着这些目录一路看下去。新手最容易踩的5个坑附避坑思路第一次训练就翻车很正常大部分失败都集中在下面几个原因上。坑一以为样本越多越好。数量重要但样本的多样性才是关键。只在一个固定角度拍 200 张效果反而不如从不同角度、不同距离拍 80 张。训练手势时试着把身体侧一侧、手放高一点、离镜头远一点。坑二所有样本都在同一个环境下采集。这是识别率低的头号元凶。全部在台灯下拍换个房间光线一变就失灵。训练时故意切换几个背景、几种光线模型才学得会抽象特征而不是记背景。坑三类别标签写得模棱两可。按钮上写动作 A动作 B只会让你自己都分不清。标签要具体比如直接用招手握拳训练时才知道自己到底在录什么。坑四声音样本只有你一个人。录声音分类时别只录自己的声音那样模型只认你。拉上家人朋友各录几段或者换不同距离、不同音量录识别才能经得起别人来试。坑五期望一次训练就完美。训练是个迭代过程先录一批跑起来观察哪些场景识别错了再针对性补样本重新训练。每轮只改一件事效果才看得清楚。一个真实的改动前→改动后案例以家庭垃圾分类为例训练一个区分塑料瓶、易拉罐、纸杯的小模型。改动前的做法晚上在厨房灯光下把三样东西摆在固定位置每种对着镜头录了 150 张。结果训练完一测把易拉罐拿到客厅对着白墙模型直接把它认成塑料瓶置信度还在 90% 以上——因为模型记住的根本不是易拉罐而是厨房灯光下的那个反光面。改动后的做法把每种物品拿在手里边转动边录覆盖不同角度每换一个房间就补录一批三个类别各录到 100 张左右数量反而更少但来源更杂。重新训练后无论在白墙前、书桌前还是阳台模型都能稳定区分三种垃圾置信度数字也明显拉开差距。这个案例揭示的规律可以套用到任何项目不是模型笨是样本太单薄。训练效果的好坏八成取决于你喂给它的素材长什么样。从会玩到会用进阶路线图当你熟悉了录样本→训练→测试的循环就可以往三个方向深入。方向一把模型带出浏览器。训练完成后可以导出模型TensorFlow.js 格式适合嵌进网页应用TensorFlow Lite 格式适合跑在手机端。这意味着你训练的挥手识别可以变成网页里的翻页手势、App 里的快捷指令。方向二给输出加戏。别停留在识别出来就行。把识别结果接到声音播放上做一个检测到猫叫就放音乐的小玩具接到语音播报上给孩子做一个会说话的识字卡片。项目里assets/outputs/sound/sounds/已经放好了现成音效可以直接拿来用。方向三读懂源码二次开发。从 src/ai/WebcamClassifier.js 开始看图像识别是如何封装的再看src/ui/里界面组件怎么拼装。看懂之后你就能基于它改出自己的版本而不是停留在用别人做好的工具。现在就动手不要把这篇文章看完就关掉。克隆项目、允许摄像头权限、录下你的第一批样本让那个跳动的置信度数字告诉你你的第一个 AI 模型已经活了。在 Teachable Machine 里训练 AI 的难度第一次降到了拍几张照片的程度。而你和机器学习的距离也就差这一次点击训练按钮。【免费下载链接】teachable-machine-v1Explore how machine learning works, live in the browser. No coding required.项目地址: https://gitcode.com/gh_mirrors/te/teachable-machine-v1创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考