在行空板上部署Web前端訓(xùn)練的AI模型

謝作如　程龍愷

摘要：隨著人工智能教育的普及，中小學(xué)的師生們不再滿足于“體驗(yàn)”，而希望通過Web頁面訓(xùn)練出來真正有用的AI模型，并部署到開源硬件搭建出AI應(yīng)用。本文介紹了常見的Web前端模型訓(xùn)練平臺(tái)和模型轉(zhuǎn)換方法，并以行空板和ONNX為例，展示了一個(gè)完整的AI開發(fā)流程。

關(guān)鍵詞：深度學(xué)習(xí)；模型轉(zhuǎn)換；模型部署

中圖分類號(hào)：G434? 文獻(xiàn)標(biāo)識(shí)碼：A? 論文編號(hào)：1674-2117（2023）11-0085-03

隨著人工智能的發(fā)展和普及，深度學(xué)習(xí)已經(jīng)成為人工智能的核心內(nèi)容。越來越多的教育者認(rèn)識(shí)到，如果不涉及數(shù)據(jù)采集、模型訓(xùn)練和部署等內(nèi)容，則幾乎不能把它稱為人工智能教育。為了降低深度學(xué)習(xí)的技術(shù)門檻，一些人工智能學(xué)習(xí)平臺(tái)設(shè)計(jì)了基于Web頁面的模型訓(xùn)練功能，即學(xué)生不需要編寫代碼，點(diǎn)點(diǎn)鼠標(biāo)就能完成從采集數(shù)據(jù)、訓(xùn)練模型到推理的機(jī)器學(xué)習(xí)流程。我們將這種模型訓(xùn)練方式命名為Web前端模型訓(xùn)練。那么，這種基于網(wǎng)頁前端訓(xùn)練出來的AI模型，能不能像其他模型一樣，也可以部署到開源硬件，搭建出一個(gè)真正的AI應(yīng)用？針對(duì)這個(gè)問題，筆者進(jìn)行了深度探究，并成功實(shí)現(xiàn)了將一個(gè)通過Web前端訓(xùn)練的AI模型，轉(zhuǎn)換為ONNX并部署到行空板上。

Web前端訓(xùn)練AI模型的原理和特點(diǎn)

使用Web前端方式訓(xùn)練模型，需要借助TensorFlow.js這一技術(shù)。TensorFlow.js是谷歌發(fā)布的一個(gè)JavaScript庫，它將深度學(xué)習(xí)和機(jī)器學(xué)習(xí)技術(shù)與Web應(yīng)用程序融合，使用戶能夠在Web瀏覽器和Node.js環(huán)境中直接訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。簡單來說，TensorFlow.js可以讓開發(fā)者用JavaScript實(shí)現(xiàn)機(jī)器學(xué)習(xí)應(yīng)用，通過瀏覽器直接與用戶交互。Teachable Machine是谷歌創(chuàng)意實(shí)驗(yàn)室開發(fā)的小項(xiàng)目，可以看成TensorFlow.js的DEMO網(wǎng)站。

Web前端模型訓(xùn)練的優(yōu)點(diǎn)：首先，不需要搭建專用的AI訓(xùn)練環(huán)境，打開谷歌瀏覽器或者Edge，就能隨時(shí)隨地訓(xùn)練模型。用戶甚至可以將Web站點(diǎn)搭建在本機(jī)上，不上網(wǎng)都能訓(xùn)練。其次，這種模型訓(xùn)練使用的是前端算力，即瀏覽器端（客戶端）電腦的算力，一個(gè)Web服務(wù)器理論上可以支持無限用戶同時(shí)訓(xùn)練模型，有效解決了服務(wù)器算力匱乏的問題。再次，借助遷移學(xué)習(xí)的方式，僅僅提供少量圖片（一個(gè)分類20張以上），TensorFlow.js訓(xùn)練的模型就能取得不錯(cuò)的推理效果。在普通i5系列CPU電腦上訓(xùn)練，一般在一分鐘內(nèi)就能完成，很適合課堂教學(xué)。

Web前端訓(xùn)練AI模型的一般流程

在Web前端訓(xùn)練一個(gè)AI模型的流程，和常見的機(jī)器學(xué)習(xí)流程是一致的，都要經(jīng)歷數(shù)據(jù)采集、模型訓(xùn)練和模型推理這三個(gè)環(huán)節(jié)，如下頁圖1所示。

國內(nèi)提供Web前端模型訓(xùn)練功能的人工智能學(xué)習(xí)平臺(tái)主要有浦育、英荔和騰訊扣叮這幾類。其中，英荔平臺(tái)似乎是谷歌Teachable Machine的鏡像網(wǎng)站，除了在線訓(xùn)練模型外，還能夠下載訓(xùn)練好模型，并且提供了TensorFlow.js模型和h5模型（Keras框架使用的模型）的轉(zhuǎn)換。

經(jīng)過分析，通過TensorFlow.js訓(xùn)練的圖像分類模型，采用的算法是谷歌團(tuán)隊(duì)提出的MobileNet v2。MobileNets系列的本身初衷是“for Mobile Vision Applications”，是一個(gè)輕量化的卷積網(wǎng)絡(luò)模型，可以顯著減少計(jì)算量和參數(shù)量，同時(shí)保持較高的準(zhǔn)確率來提升效率，能夠運(yùn)行在算力不太高的移動(dòng)設(shè)備上。

在行空板上部署Web前端訓(xùn)練的AI模型

雖然英荔平臺(tái)提供了h5格式的模型下載，而類似樹莓派、行空板的開源硬件也能夠安裝Keras的環(huán)境，似乎看起來部署模型很簡單，但實(shí)際上h5模型的加載實(shí)在太慢了，一個(gè)簡單的圖像分類模型居然要2分鐘才能完成，推理速度也很慢。筆者在《當(dāng)MMEdu遇上行空板——“智能稻草人”項(xiàng)目的后續(xù)研究》一文中，已經(jīng)給出了在行空板上部署ONNX模型的方法。于是，筆者在萬能的GitHub中找到了一個(gè)名為“tf2onnx”的庫，先將h5模型轉(zhuǎn)換為ONNX模型，然后部署在行空板上。

tf2onnx是一個(gè)將TensorFlow（tf-1.x或tf-2.x）、keras、tensorflow.js和tflite模型轉(zhuǎn)換為ONNX的工具庫，可通過命令行或Python API進(jìn)行操作（如圖2）。在安裝tf2onnx庫的同時(shí)，還需要部署好tensorflowjs的環(huán)境。安裝過程有點(diǎn)長，具體安裝時(shí)間受制于網(wǎng)絡(luò)速度。

tf2onnx提供了多種轉(zhuǎn)換方式。最方便的是調(diào)用命令行，參考命令如“python -m tf2onnx.convert --saved-model tensorflow-model-path --output model.onnx”。也可以調(diào)用Python API來完成轉(zhuǎn)換，核心代碼并不復(fù)雜，十來行代碼即可完成。參考代碼如上頁圖3所示。

在轉(zhuǎn)換前，要先將Web前端訓(xùn)練的模型下載到本地。下載的模型文件為一個(gè)壓縮包，解壓后可得到model.json和model.weights.bin兩個(gè)文件。需要注意的是，在轉(zhuǎn)換時(shí)，這兩個(gè)文件要放在一個(gè)文件夾中。

ONNX模型在行空板上的部署測(cè)試

在完成模型轉(zhuǎn)換后，就可以將這一模型部署到行空板上了。最終訓(xùn)練的是一個(gè)害蟲的分類模型，調(diào)用行空板的攝像頭進(jìn)行識(shí)別。當(dāng)程序啟動(dòng)后，在2秒內(nèi)可以載入模型，每推理一幀的時(shí)間在0.3秒左右。整體項(xiàng)目使用BaseDeploy完成推理模塊的封裝，使用BaseDT完成數(shù)據(jù)預(yù)處理。一個(gè)調(diào)用攝像頭的核心代碼僅10行左右，參考代碼如圖4所示。

基于Web前端訓(xùn)練模型，對(duì)當(dāng)前的中小學(xué)生來說是一種很好普及的模型訓(xùn)練方式。只要能夠借助低門檻的深度學(xué)習(xí)工具訓(xùn)練模型，學(xué)生們用AI模型解決真實(shí)問題的難度將大大降低。用網(wǎng)頁訓(xùn)練模型，再部署到開源硬件上，創(chuàng)客教育和人工智能教育能夠快速融合。

當(dāng)然，TensorFlow.js也存在不足，其支持的模型類型還不是很多。但筆者相信，只要中小學(xué)生體驗(yàn)了用訓(xùn)練AI模型的方式解決了真實(shí)問題，就會(huì)自然而然對(duì)使用其他工具訓(xùn)練AI模型產(chǎn)生學(xué)習(xí)興趣。訓(xùn)練AI模型本來就是流程化的工作，每一位學(xué)生都應(yīng)該了解并體驗(yàn)，從而深刻理解數(shù)據(jù)、算法和算力之間的關(guān)系。

參考文獻(xiàn)：

[1]謝作如，程龍愷.當(dāng)MMEdu遇上行空板——“智能稻草人”項(xiàng)目的后續(xù)研究[J].中國信息技術(shù)教育，2022（23）：77-79.

[2]謝作如.用新一代人工智能技術(shù)解決真實(shí)問題——談中小學(xué)AI科創(chuàng)活動(dòng)的開展[J].中國信息技術(shù)教育，2022（13）：5-8.