struct MLImageClassifier (英文)
训练用来对图像进行分类的模型。
struct MLObjectDetector (英文)
训练用来对图像中一个或多个对象进行分类的模型。
概览
图像分类器是一种能够识别图像的机器学习模型。在你提供一张图像后，图像分类器会根据这个图像回复一个分类标签。
训练图像分类器的方法是向它展示大量已标记的图像示例。例如，你可以向图像分类器展示各种大象、长颈鹿、狮子等动物的照片来训练它识别野生动物。
在图像分类器完成训练后，你可以对其进行评估。如果其准确性令人满意，你可以将它存储为 Core ML 模型文件，并将该文件导入到 Xcode 项目中，以在 App 中使用这个图像分类器。
收集数据
每个类别应使用至少 10 张图像，但请谨记，使用更多样化的图像可以改善图像分类器的表现，例如使用从多个角度和在多种光照条件下拍摄的照片。
每个类别下的图像数量应保持平衡。例如，不要在一个类别下使用 10 张图像，而另一个类别使用 1000 张图像。
图像可以采用 Quicktime Player 能够打开的任何格式，如 JPEG 和 PNG。图像无需符合特定的大小要求，不同图像的大小也无需相同。不过，最好使用大小至少达到 299 x 299 像素的图像。
如有可能，你收集的图像应该接近并能代表那些你预期模型在 App 中会看到的图像。例如，如果你的 App 要对用设备的摄像头在室外环境中拍摄的图像进行分类，则你应使用在室外用类似摄像头拍摄的图像来训练模型。
整理训练数据
通过将图像整理到子文件夹中来准备训练数据集。根据子文件夹中所含图像的类别，为每个子文件夹命名。例如，你可以使用标签 Cheetah 来表示所有猎豹图像。
整理测试数据
使用测试数据集测试你的模型，可以快速了解你训练的模型在现实世界中的表现情况。
如果你有数量充足的图像 (例如每个类别 25 张或以上)，可以通过复制训练数据集的文件夹结构来创建测试数据集。然后，将每个类别大约 20% 的图像移入测试数据集中的同等类别文件夹。
创建图像分类器项目
使用 Create ML 创建图像分类器项目。在 Xcode 打开后，按住 Control 键点按程序坞中的 Xcode 图标，再选取“Open Developer Tool”(打开开发者工具) >“Create ML”；或者，你也可以从 Xcode 菜单中选取“Open Developer Tool”(打开开发者工具) >“Create ML”。
在 Create ML 中，选取“File”(文件) >“New Project”(新项目) 以查看模型模板的列表。选择“Image Classification”(图像分类)，点按“Next”(下一步)。
将项目的默认名称更改为更合适和实用的名称。如有这个项目内模型的更多相关信息 (如一名或多名作者以及简短描述)，可在此填写。
配置训练会话
将含有训练数据集的文件夹拖入项目窗口中的“Training Data”(训练数据) 方格。
如果适用，将含有测试数据集的文件夹拖入项目窗口中的“Testing Data”(测试数据) 方格中。
如果你知道在训练会话中将使用的训练迭代数量，可以将默认的“Maximum Iterations”(最大迭代数) 更改为其他值。你也可以打开任何或所有图像增强。
每一种增强都会创建一个副本，并对样本图像应用变形或滤镜效果，让你无需收集更多样本，也可提高数据集的多样性。
训练图像分类器
点按“Train”(训练) 按钮，以启动训练会话。在启动会话时，Create ML 会将部分训练数据快速分入验证数据集，然后从其余训练图像中提取特征，如边缘、角落、纹理和颜色区域。Create ML 会使用图像的特征来反复训练模型，再利用验证数据集检查其准确性。
Create ML 会在图表中显示进度，黑线和灰线分别表示模型针对训练数据集和验证数据集的准确性。
评估模型的准确性
Create ML 完成模型训练后，将使用测试数据集对模型进行测试。完成对模型的测试后，Create ML 会在“Evaluation”(评估) 标签页下显示训练、验证和测试的得分。模型的训练数据集准确性得分通常较高一些，因为它是从这些图像学习的。在这个示例中，图像分类器正确识别了训练图像中 100% 的图像、验证图像中 95% 的图像，以及测试图像中 97% 的图像。
“Precision”(精确率) 是真正例除以真正例与假正例之和所得到的值。“Recall”是真正例除以真正例与假负例之和所得到的值。
如果评估表现不够好，你可能需要更多样的训练数据进行重新训练。例如，你可以为图像分类器启用图像增强选项。有关如何进行更详细模型评估的信息以及提升模型性能的策略，请参阅“提高模型准确性”。
预览模型
点按“Preview”(预览) 标签页，以测试模型对未曾见过的图像的表现。要查看模型的预测，可将图像文件拖入“Train”(按钮) 下方的列中。
存储模型
如果模型的性能达标，就可将它存储到文件系统中 (使用 Core ML 的 .mlmodel 格式)，以便添加到你的 Xcode 项目中。你可以从“Output”(输出) 标签页进行以下操作：
-
点按“Save”(存储) 按钮，将模型存储到文件系统中
-
点按“Export”(导出) 按钮，在 Xcode 中打开模型
-
点按“Share”(共享) 按钮，将模型发送给其他人，例如通过“邮件”或“信息”来发送
-
将模型的图标拖入接受文件的任何地方
将模型添加到 App
最后一步是将你训练好的模型添加到 Xcode 项目中。例如，你可以使用图像分类器模型来替换掉“通过计算机视觉和 Core ML 对图像进行分类”(英文) 示例的 Xcode 项目中包含的模型。
下载这个示例，并在 Xcode 中打开其项目。将你的模型文件拖入导航面板中。Xcode 会将这个模型添加到项目中，并显示模型的元数据、操作系统可用性，以及类别标签等。
只需更改一行代码，就能在其中使用你的模型。项目仅在 Image 类中的一个位置对 MobileNet 模型进行实例化处理。
let model = try VNCoreMLModel(for: MobileNet().model)
更改这行代码，就能将正在使用的替换为你的模型类。
let model = try VNCoreMLModel(for: AnimalClassifier().model)
这些模型都以图像为输入并输出标签字符串，因此可以互换。替换模型后，示例 App 不但会像之前一样对图像进行分类，现在它还会使用你的模型及关联的标签。
自动训练和评估模型
如果你是编程或机器学习方面的新手，可以按照以上所述，使用 Create ML 来训练有用的图像分类器。当然你也可以使用 MLImage (英文) 实例来编写模型训练过程的脚本。常规的任务都是相同的：准备数据，训练模型，评估性能，再存储 Core ML 模型文件。不同之处只在于所有任务都需要编程。
例如，你可以对两个 MLImage (英文) 实例进行实例化处理，分别用于训练数据集和测试数据集。借助 init(training (英文)，使用训练数据源来对图像分类器进行实例化处理。然后，使用测试数据源及 evaluation(on:) (英文) 方法，再评估它返回的 MLClassifier (英文) 实例中的值。