2025 最新 Teachable Machine 教程：零编程训练分类模型，适合教育开发创意场景！

? 为什么选择 Teachable Machine？

? 快速上手：训练你的第一个模型

1. 准备工作

2. 定义分类类别

3. 采集训练数据

4. 训练模型

5. 测试与优化

? 教育场景：打造趣味 AI 课程

? 农业病虫害识别

? 花卉品种 AR 识别

? 音乐互动装置

?️ 创意开发：从想法到落地

?️ 图像分类应用

? 音频分类项目

? 姿态分类装置

? 模型导出与集成

• TensorFlow.js：用于网页应用，直接在浏览器中运行。
• TensorFlow Lite：适合移动应用，占用资源少，运行速度快。
• Python 模型：可用于桌面应用或服务器端处理。

from keras.models import load_model
from PIL import Image, ImageOps
import numpy as np

model = load_model("keras_model.h5", compile=False)
class_names = open("labels.txt", "r").readlines()

image = Image.open("test.jpg").convert("RGB")
size = (, )
image = ImageOps.fit(image, size, Image.Resampling.LANCZOS)
image_array = np.asarray(image)
normalized_image_array = (image_array.astype(np.float32) / 127.5) - 
data[] = normalized_image_array

prediction = model.predict(data)
index = np.argmax(prediction)
class_name = class_names[index]
confidence_score = prediction[][index]

print(f"Class: {class_name}, Confidence: {confidence_score}")

❓ 常见问题与解决方案

1. 模型准确率低怎么办？

• 增加数据量：采集更多不同角度、不同光照条件下的样本。
• 数据增强：在训练时启用翻转、旋转等数据增强功能，提高模型泛化能力。
• 调整参数：尝试增加训练轮数（Epoch）或调整学习率。

2. 导出的模型无法在手机上运行？

• 检查格式：确保导出的是 TensorFlow Lite 格式，并且在手机应用中正确加载。
• 优化模型：使用模型压缩工具（如 TensorFlow Lite Model Optimization Toolkit）减小模型体积。

3. 界面语言不熟悉？

• 使用翻译工具：浏览器自带的翻译功能可以帮助你理解英文界面。
• 参考教程：网上有很多中文教程和案例，比如在教育场景中，老师可以结合本地特色作物设计项目，让学生更容易理解。

? 进阶技巧

1. 多模态数据融合

2. 与其他工具结合

• 硬件联动：将模型与 Arduino、树莓派等硬件结合，实现更丰富的交互。比如训练一个手势识别模型，控制机械臂抓取物体。
• 云端集成：将模型部署到云端，通过 API 接口提供服务，支持多设备访问。

3. 模型迭代优化

? 资源推荐

• 官方文档：Teachable Machine 官方文档 提供了详细的操作指南和示例代码。
• 教育案例库：Google for Education 分享了全球教师使用 Teachable Machine 的成功案例。
• 社区论坛：Stack Overflow 上有大量开发者讨论 Teachable Machine 的技术问题。