【BML全功能AI开发平台初体验】两小时搞定图像分类全流程！

最近发现了一个全功能AI开发平台，叫做BML（Baidu Machine Learning），这是一个面向企业和个人开发者的机器学习集成开发环境，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。

BML全功能AI开发平台官网链接：https://ai.baidu.com/bml/

一、新建图像分类数据集

第一步：进入BML平台：https://ai.baidu.com/bml/

第二步：点击“立即使用”，在出现的界面中点击“数据总览”或者是"数据集"：

第三步：在我的数据总览里点击“创建数据集”

第四步：输入"数据集名称"

第五步：数据集创建完成后，点击完成，可以在数据总览处看到刚刚新建的数据集：

第六步：点击“导入”，将下载好的数据集导入BML平台：

第七步：选择"上传方式"，将数据上传

这里我们选择无标注信息，用平台进行在线标注。

压缩包格式：

点击"确定并返回"等待数据集导入

导入成功！

第八步：点击“查看与标注”，可查看数据集的基本概况：
本次数据集总共有100张图片，这里显示为50是因为（我这里先导入猫猫的数据，标注一波，在导入狗狗的数据，在批量标注）

二、开始标注

第一步：添加标签

这里我们的数据为猫狗识别，所以添加猫猫跟狗狗~

第二步：点击批量标注

第三步：开始批量标注

因为我们先导入的猫咪数据集所以我们直接点击”无标注信息“

选择”每页显示多少数据集“

点击”本页全选“，在点击”猫咪标签“

”标注完毕“

接下来狗狗数据集我就不再一步一步展示，直接展示标注完毕的效果
”批量标注狗狗数据集“

标注完毕！

三、新建一个项目

首先打开BML管理页面，在这个界面中可以看到当前支持的深度学习任务类型，也可在左侧目录选择不同深度学习方向。

在左侧目录中找到“计算机视觉模型”，点击“图像分类-单标签”，写个名称加段描述就能新建一个项目了。

点击“新建”后，可以在下方找到刚刚创建的项目：

点击“新建任务”可管理本项目的“基本信息”、“配置任务类型”、“添加数据”、“配置网络”等。

四、导入数据集

这里我们直接选择数据集点击添加即可。

五、配置网络

在配置网络的过程中，可以选择使用预训练模型百度超大规模数据集-通用分类预训练模型，公开数据集-常规预训练模型。这里我们选择公开数据集-常规预训练模型进行训练，同时网络也分为很多种，这里就不再一一叙述，我们选择RESNET50进行训练模型：

平台提供了脚本编辑的工具，点击“立即编辑”进行脚本编辑：


一般可以在里面配置一些参数，开发者可以自己修改里面的超参数.

六、配置资源

训练模型需要租用服务器或者用自己的服务器，BML平台直接提供了一个配置好的环境，不需要自己买服务器、自己配置环境了，可以说是非常地方便！

这里根据自己的需求选择即可。

点击“提交训练任务”就可以开始训练啦：

训练过程中可以查看自己的训练日志：

当感觉看log枯燥无味的时候，BML也为你提供了可视化展示：

为大家清晰的展示我们的训练过程~，真的是太棒了！

"训练结束"后还能出一份评估报告：

当你有事外出的时候，训练完成之后也可以给你发送短信，这里自己进行选择。

真的是爱了爱了！

七、模型部署

大家参考我写的另一篇文章，都是通用的换成你现在的模型就行，就不在细讲了，直接展示我部署完成的界面！
【BML全功能AI开发平台初体验】没有服务器也可以实现公有云部署！

至此，公有云部署就完成啦，完全不用自己的服务器，哈哈！

八、模型调用

第一步：点击查看详情

记录下你的调用接口地址，在下方代码部分需要修改API调用接口地址。

第二步：点击控制台，对接口进行赋权

第三步：创建应用

填写你的应用名称、应用归属、公司名称等信息。

创建完成之后会显示你创建的应用信息，也就是对接口进行赋权的应用。

第四步：记录API Key和Secret Key

记录好API Key和Secret Key，下方代码调用的时候需要进行输入授权。

第五步：使用代码调用API接口

图像分类-单图单标签API参考文档

在这里我们使用python3调用进行演示。

复制代码到自己本地开始进行调用：

"""
BML 图像分类 调用模型公有云API Python3实现
"""

import json
import base64
import requests
"""
使用 requests 库发送请求
使用 pip（或者 pip3）检查我的 python3 环境是否安装了该库，执行命令
  pip freeze | grep requests
若返回值为空，则安装该库
  pip install requests
"""


# 目标图片的 本地文件路径，支持jpg/png/bmp格式
IMAGE_FILEPATH = "【您的测试图片地址，例如：./example.jpg】"

# 可选的请求参数
# top_num: 返回的分类数量，不声明的话默认为 6 个
PARAMS = {"top_num": 2}

# 服务详情 中的 接口地址
MODEL_API_URL = "【您的API地址】"

# 调用 API 需要 ACCESS_TOKEN。若已有 ACCESS_TOKEN 则于下方填入该字符串
# 否则，留空 ACCESS_TOKEN，于下方填入 该模型部署的 API_KEY 以及 SECRET_KEY，会自动申请并显示新 ACCESS_TOKEN
ACCESS_TOKEN = "【您的ACCESS_TOKEN】"
API_KEY = "【您的API_KEY】"
SECRET_KEY = "【您的SECRET_KEY】"


print("1. 读取目标图片 '{}'".format(IMAGE_FILEPATH))
with open(IMAGE_FILEPATH, 'rb') as f:
    base64_data = base64.b64encode(f.read())
    base64_str = base64_data.decode('UTF8')
print("将 BASE64 编码后图片的字符串填入 PARAMS 的 'image' 字段")
PARAMS["image"] = base64_str


if not ACCESS_TOKEN:
    print("2. ACCESS_TOKEN 为空，调用鉴权接口获取TOKEN")
    auth_url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials"               "&client_id={}&client_secret={}".format(API_KEY, SECRET_KEY)
    auth_resp = requests.get(auth_url)
    auth_resp_json = auth_resp.json()
    ACCESS_TOKEN = auth_resp_json["access_token"]
    print("新 ACCESS_TOKEN: {}".format(ACCESS_TOKEN))
else:
    print("2. 使用已有 ACCESS_TOKEN")


print("3. 向模型接口 'MODEL_API_URL' 发送请求")
request_url = "{}?access_token={}".format(MODEL_API_URL, ACCESS_TOKEN)
response = requests.post(url=request_url, json=PARAMS)
response_json = response.json()
response_str = json.dumps(response_json, indent=4, ensure_ascii=False)
print("结果:{}".format(response_str))

我们只需要修改五个地方即可完成调用

• IMAGE_FILEPATH：设置为自己本地的图片
• MODEL_API_URL：为API接口的地址
• ACCESS_TOKEN：留空即可（一定要把他的删除留空，或者是你自己计* 算出了ACCESS_TOKEN，写在这里也行）
• API_KEY：创建应用的时候产生了，复制过来即可
• SECRET_KEY：创建应用的时候产生了，复制过来即可

第六步：运行代码

数据集展示：

修改完毕之后，运行代码，可以看下方图片，已经运行成功，识别出螺丝数据。

至此，模型的调用也就成功了，大家赶紧自己去试试把

九、温馨提示

模型不用的时候，赶紧停止，毕竟免费额度有限哈哈

十、总结

体验了BML全功能AI开发平台的图像分类全流程，从数据集标注-新建任务-模型选择-模型训练-模型部署-模型调用，总共用了不到两个小时就完成了，而且没有过多的打代码操作，模型部署阶段也是相当的给力，点击两下就好了，模型调用的时候，实例代码已经给出，只需要简单的改改就行了，真的是太方便了，大家也赶紧去试试把！