软硬件环境
windows 10 64bit
lobe beta
前言
众所周知，机器学习模型的训练是个非常复杂的过程，很多新手往往在基础环境的搭建上就栽了跟头，更别提数据的采集、模型训练、模型调整了。近日微软公司开发了一个图形化的机器学习模型训练的工具lobe，简单易用、没有gpu也可以用、而且不用敲一行代码，绝对值得你来体验一把。
体验
进入官方网站 https://lobe.ai/ 进行下载，目前软件支持windows和macos，刚放出Beta版本，安装后打开软件，选择New Project创建新的项目
这里我们要去训练一个口罩的检测模型，项目名称定为mask，然后点击右上角的import，当前版本可以导入图片、本地摄像头和已有的数据集，这里我们选择Camera，这样，工具就可以从摄像头实时的采集训练的图片数据了
当戴上口罩后，就可以在label上输入mask了，这个过程就是标注了，点击中间的大按钮就可以开始采集数据了
同样的，当拿掉口罩后，label上输入no-mask，采集一定数量的图片。官方的说法是，如果想训练一个可用的模型，图片数量应为100 ~ 1000
当标注结束后，点击右上角的Done，lobe就开始自动训练了
lobe非常智能，它能够检测到你的环境，有gpu的话，会自动使用，没用的话，也没有关系，cpu顶上。
模型训练这块，目前lobe使用了2种网络模型，ResNet-50 V2和MobileNet V2，前者是精度考虑，而后者是速度考虑
待模型训练完成后，我们就可以进入到Play阶段，其实就是检测测试
Play过程中，如果发现，模型不太准确，可以在这里进行微调，比如我用手挡住嘴巴，模型就认为我戴了口罩，这时候，可以点击右侧的红键纠正，纠错后，lobe自动进行模型的再训练
如此反复操作，待各种情况都纠错后，模型的准确率就会大大提升
最后，可以将模型进行导出，目前版本中支持tensorflow lite、tensorflow.js、tensorflow、onnx和local API，相信后续版本还会继续添加
这里我们导出tensorflow的模型
导出后是这样的
正常的话，到这里模型训练就已经完成，接下来就可以进行交付使用了。
最后，进入到example后，我们创建个虚拟环境测试下模型
-
conda create -n tfgpu python=
3.7
-
conda activate tfgpu
-
pip install -r requirements.txt
-
python tf_example.py test.jpg
代码运行后，得到的预测结果是正确的
参考资料
https://lobe.ai/
转载：https://blog.csdn.net/djstavaV/article/details/113697375