# machine learning project

**Repository Path**: T_cold/machine-learning-project

## Basic Information

- **Project Name**: machine learning project
- **Description**: 模拟teachablemachine.创建的人工智能训练平台，目的是帮助学生理解机器学习的基本概念，参数对模型训练的影响。该项目是借助cursor开发的。
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-01-27
- **Last Updated**: 2025-04-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# my-ai-project
### 本项目主要参考的网站是teachablemachine.withgoogle.com。希望开发一个方便部署，可视化的供教师教学用的AI模型训练系统。因为购买算力对学校来讲是一件比较困难的事情，所以还是需要能够部署到本地的训练平台，目前训练调用的是CPU。
### 实现了图像分类任务（如猫狗分类），但是训练的效果较差。teachablemachine训练出来的模型，准确率在90%以上。并且非常方便的可以应用到网页中。这也是下一步需要实现的功能。

![alt text](训练设置截图.jpg)

### 我本人是一名信息科技教师，借助cursor边学边开发，希望可以给大家带来启发。欢迎提出意见和建议。联系：284516189@qq.com

### 目前存在的问题：
#### 报错问题纠正，内存不足如何优化和提示用户。
#### 训练数据如何优化，训练数据不足如何提示用户。
#### 训练结果如何展示，训练结果如何保存。
#### 训练结果如何测试，测试结果如何展示。
#### 训练结果如何导出，导出结果如何保存。
#### 训练结果如何部署，部署结果如何展示。
#### 训练使用CPU还是GPU，如何选择。


## 项目设置
```
npm install
```

### 项目启动
```
npm run serve
```

### Compiles and minifies for production
```
npm run build
```

### Lints and fixes files
```
npm run lint
```

### Customize configuration
See [Configuration Reference](https://cli.vuejs.org/config/).


#图像分类模型区别mobileNet ResNet  EfficientNet 区别是什么？

# AI模型训练系统

## 项目简介
一个基于网页端的AI模型训练系统，允许用户通过简单的界面训练机器学习模型，用于图像分类任务（如猫狗分类）。系统提供直观的用户界面，支持实时训练和测试，并能够导出训练好的模型。

## 功能特性

### 用户界面
- 主页：展示系统简介和使用说明
- 训练页面：用户上传数据、训练模型和测试模型的界面
- 结果页面：展示训练结果和模型性能

### 数据管理
- 支持多文件图像上传
- 自定义分类标签创建
- 图像预览和缩略图显示
- 删除和重新上传功能

### 模型训练
- 预定义模型架构（如MobileNet）
- 可配置训练参数（epochs、batch size）
- 实时训练监控，显示损失和准确率曲线
- 支持手动中断训练

### 模型测试
- 通过摄像头或上传图像进行实时测试
- 显示分类结果和置信度

### 模型导出
- 支持导出为TensorFlow.js格式
- 模型本地下载功能

## 技术栈

### 前端技术
- 框架：Vue.js
- UI库：Ant Design
- 机器学习库：TensorFlow.js
- 摄像头集成：WebRTC

### 后端技术
- 框架：Node.js + Express
- 存储：MongoDB/Firebase

### 部署方案
- 云平台：AWS/谷歌云/Vercel
- 容器化：Docker

## 非功能需求

### 性能要求
- 页面加载时间不超过2秒
- 支持100+并发用户

### 安全性
- 保护用户数据隐私
- 确保导出模型不包含用户数据

### 可扩展性
- 支持扩展更多模型架构
- 未来支持更多任务类型（如音频分类）
- 可扩展的用户容量



## 开发计划

### 前端开发

#### 框架设置
- 使用 Vue.js 构建用户界面
- 使用 Ant Design 组件库确保一致的外观和风格

#### 图像上传和预览
- 实现支持多文件上传的组件
- 显示上传图像的缩略图
- 提供删除和重新上传功能

#### 训练界面
- 创建训练参数配置表单(epochs、batch size等)
- 使用图表实时显示训练指标(损失、准确率)

#### 测试界面
- 支持通过摄像头或上传图像进行测试
- 展示分类结果和置信度分数

#### 模型导出
- 提供 TensorFlow.js 格式模型下载

### 后端开发

#### 框架设置
- 使用 Node.js + Express 构建服务端
- 使用 MongoDB/Firebase 存储数据

#### 模型训练
- 实现训练过程控制和监控接口
- 集成 TensorFlow.js 进行模型训练和推理

#### 安全性
- 实现数据隐私保护机制
- 添加 API 身份验证

### 部署方案

#### 云服务
- 使用 AWS/谷歌云/Vercel 部署
- Docker 容器化部署

### 具体实现步骤

#### 前端实现
1. 初始化 Vue 项目
2. 安装配置 Ant Design
3. 实现路由(主页、训练、结果页面)
4. 开发图像上传组件
   - 支持多文件上传
   - 网格布局展示预览
   - 删除功能
5. 开发训练页面
   - 训练参数表单
   - 训练指标实时展示
   - 训练控制功能
6. 开发测试页面
   - 摄像头接入
   - 图像上传测试
   - 结果展示

#### 后端实现
1. 搭建 Node.js 服务器
2. 实现数据接口
   - 图像上传
   - 训练控制
   - 模型导出
3. 集成 TensorFlow.js

#### 部署上线
1. Docker 容器化
2. 云平台部署配置
3. 性能优化和安全加固