自训练AI数据，实现在树莓派、Android手机客户端私域下的天气情况检测

下面我先展示一下我现写的成果，后面再讲实现思路。

自训练AI，实现树莓派、Android手机客户端的气象识别

我拿识别天气举例子，让模型识别晴天、阴天、下雨这3种状态。这源于农村老家下雨时，自动开关晒粮防雨布的设想。

首先，准备一些数据。你只需要把晴、阴、雨三种状态的图片整理成3个文件夹，然后压缩成zip格式即可。

然后，通过网页直接上传到平台即可进行训练。

整个流程分为3步，先上传训练数据，也就是那个带分类文件夹的zip压缩文件。第2步执行训练，训练完成后会生成模型。除了服务器用的模型权重，也包括可在嵌入式设备运行的tflite文件。

下面是训练过程。700多张图片，总共训练了1.5小时就完成了。

我的电脑配置是16G内存，4核i5的处理器。这是我2012年买的老电脑。内存扩充过，从8G升到了16G。

那位说没用GPU？！用啥GPU？这点活CPU就搞定了！甚至我的云服务器是阿里的ECS，99元一年抢的，程序一样能跑起来。

运行后看识别分类效果：

上面是在PC端的效果。下面展示的是手机端的效果：

没有联网，这是完全单机的Android手机。我们看到在手机端的识别速度在0.1秒左右，非常之快。

后面还有在树莓派上的效果。很多人对树莓派（Raspberry Pi）不熟悉，其实它就是一个微型电脑。个头像信用卡一样大，用5V电压就能运行。

我这个是3B+版本，1G内存，1.4GHz的4核处理器。售价35美元，换成人民币不到200元。业内都知道这玩意儿，业外感觉很神奇，居然还有这么小的电脑。

确实有，早在2012年就出现了。它能随身携带，能编程，能处理办公文件，除了配置低点，其他和电脑没什么区别。我把树莓派做如下连接和配置：

同样是单机版的。不给它联网，只用一个5V电源供电，我们看看它能做出什么样的效果。

当时晴天时，LED亮起绿灯，当天气变为雨天时，LED灯变为红色。

由雨转晴也是红灯变绿灯。

如果是阴天，黄灯就会亮起。现在只是LED灯的变化，如果应用起来，可以变为防雨设施的控制开关。

好了，上面是功能的展示，下面说一下技术上的实现方式吧。

整个过程，硬件没有多少成本。自己的电脑，或者花几百块钱买阿里云服务器也可以。人力方面，V我50，或者自己招聘一个月薪5000的实习生都可以做到。反而最难的，就是你要有数据。如果是通用场景，可以寻找公开的数据集。如果是私有场景，你需要有一定量的数据。

对于数据的训练，可以采用谷歌的TensorFlow深度学习框架实现。之所以选用这个平台，主要是因为……我熟悉。

天气的分类，或者猫狗的分类，以及所有对图片进行归类的功能，都属于图片分类的范畴。

图片分类是人工智能的入门课程，是人工智能的第一个程序，程序员叫“Hello World”（刚上编程课，在屏幕上输出hello world，表示软件安装好了）。这就像是学开车拧钥匙启动发动机一样的基础技能。

TensorFlow中对于图像分类是这么进行设计的。

确实就这么点代码。原来，它的第一个hello world是用公开的MNIST手写数字数据集训练手写识别。后来感觉太low了，就改为了物体的识别。

而对于TensorFlow训练完成的模型，可以轻松转换为适合嵌入式设备运行的tflite格式。

如上图左上部分的“使用入门”所示，Android、iOS快速入门。用智能设备（手机、平板、手表）都可以加载并运行训练好的tflite模型。以下是我将官方的MNIST手写数字分类模型导出为tflite格式，然后运行在Android手机上的表现。

我们看到，识别过程十分流畅和准确。用时基本在毫秒级别以内。它更主要的优势在于不用和服务端交互，也就是现在比较火的边缘计算。

为了表明真实性，我还是把Android平台的项目代码亮出来。

这是项目结构，tflite模型放到assets目录下。

下面是加载模型的方法。其实也多是Android原生加载assets下文件的常规代码。不同点就是这里多了一个加载tflite的Interpreter类。

这个类的使用，需要在build.gradle依赖中指定它的支持库。这一点在官方文档也有介绍。

最后就是给它一张图片，让它判断属于什么分类了。

通过把Bitmap包装成模型的输入层，然后交给interpreter.run执行。模型会把预测结果写入到outputArray中。这outputArray里面就包含分类的结果，里面是各个分类的置信度。选出最高的一项，就是最终的分类归属。

到此，完成了Android端的图片分类。

那么，树莓派上是怎么搞的呢？其实，树莓派是一个小型的Linux系统，一切按照python那么执行就可以了。

官方说明文档如下：

运行tflite一般都是在移动设备，和Android平台类似，不需要安装庞大的tensorflow库，只需要一个可以读取tflite格式文件的运行支持库。这个库很小，正好适合运行在小型设备。

下面就是我在树莓派上的关键代码：

通过导入tflite_runtime库，就可以读取并运行tflite文件。然后将摄像头获取到的图像传给interpreter进行处理。因为是python语言，所以它比Android平台的实现要简单得多。

看吧，这一整套流程，从TensorFlow训练数据集的组织，到模型训练保存，再到导出tflite格式，再到用Android和Raspberry Pi加载并进行推理。全是公开的信息，全在官方文档的明面上写着，可谓没有一点技术含量。我只是做了一个整合和落地。

其实，要说一点技术含量也没有，也不严谨。你起码要了解TensorFlow平台的搭建和应用，因为你要训练。你要知道神经网络的层，输入层的组织、输出层的分析，要掌握图形图像处理的基本方法。这是对AI方面的了解。

另外，咱们还有一个自训练后台。得写页面吧，这是前端，得了解html、js等前端知识。前端获得用户输入调用后端的api接口，这又得对web后端服务有所了解。再转到Android平台，你想要写一个App在手机上跑，你又得知道客户端的开发。这不管是哪个端，都属于软件工程，整体上如何进行紧密配合形成体系，这又是架构能力。

抛去软件不谈，想在树莓派上搞东西，多多少少得了解一些硬件的知识吧？比如LED灯的电流，从长脚进短脚出才能发光。再比如哪个引脚是GND接地线，哪个是GPIO通用口，如何控制，这也得知道。

我还是坚持我的那句话：专业实用化，永远不做大。