波仔
🍓 第十四章 AIoT 实验范例：Node-RED+TensorFlow.js
📄 一句话概括

Teachable Machine 让你在浏览器里零代码训练自己的分类模型，导出一个链接，贴回 Node-RED——全课第一次【真的训练】，而且训练数据一张都不出门。

📝 本节和前面几节的关系

12-4 判手势用的是【MediaPipe 找关键点＋if 规则】，当时掰正过【那不是 AI】。本节是迟到的正面对照：同样的分类任务，这次真的训练一个神经网络——用的是 14-1 说的迁移学习，跑到 14-2 学过的消息格式上。它也是全课 AI 三章的收官：认物（11 章）、认人认势（12 章）、自训自用（本章）。

一、Teachable Machine 是什么

Google Creative Lab 维护的免费网页工具（teachablemachine.withgoogle.com），2026 年仍在正常运营。它把训练简化成三步：采集 → 训练 → 导出，全程不写代码、全程在浏览器里发生。

支持三种项目，本章用第一种：

项目类型 训练素材 典型产物
Image 摄像头拍照或上传图片 图像分类模型
Audio 麦克风短音频 声音分类模型
Pose 姿势照片 姿态分类模型

它的底层正是 14-1 学的 TF.js：训练发生在你浏览器的标签页里（迁移学习——在大模型基础上教它几个新类），训练数据不上传，除非你主动把项目存到 Google Drive。这是它和【把照片传给云服务训练】的根本区别，隐私上是质的不同。

二、浏览器里的训练流程（五步）

  1. 建类：网页上点【Image Project】，把默认两个类改名——本课用剪刀石头布：scissors / rock / paper（加一个背景类 nothing 更稳，共四类）；
  2. 采集：每类用 Webcam 模式对着镜头录几十张（同一类多换角度、距离、背景——数据多样性直接决定模型命有多硬）；nothing 类对着空背景录。每类建议 100 张上下，网页按住按钮自动连拍；
  3. 训练：点 Train Model，进度条跑完即可（浏览器里几分钟的事，什么都不用配）；
  4. 试：训练完页面自带实时预览，手势摆上去立刻显示各类概率——这步不过关别急着导出，回炉补数据重训；
  5. 导出：Export Model → 选 TensorFlow.js → 点 Upload my model（免费托管）→ 得到一个模型 URL。

导出界面其实有三种去处：TensorFlow.js（托管 URL 或下载）、TensorFlow Lite（给手机端，对应 12-3 那条路）、下载 Keras 格式。走 Node-RED 就选第一种托管方式。

三、贴回 Node-RED：teachable machine 节点

社区节点 node-red-contrib-teachable-machine（2026 年仍在维护，1.4.1 版，v1.2.0 起明确支持树莓派）负责吃下这个 URL：

cd ~/.node-red
npm install node-red-contrib-teachable-machine
node-red-restart

节点配置两个模式，注意各有一个易错细节：

输入端吃 buffered image（jpeg 或 png 二进制）——正好是 14-2 Webcam 节点的输出，不用任何转换。节点状态灯三色：绿＝模型就绪、黄＝正在准备、红＝出错；部署后先等灯变绿再测。

四、动手 Demo：手势裁判流

完整连一根：训练好的剪刀石头布模型接上摄像头：

[Webcam] → [teachable machine] → [Debug]
  1. Webcam 沿用 14-3 的节点（输出 jpeg buffer）；
  2. teachable machine 节点配 Online Mode，贴上第二步的 URL；
  3. 部署，等状态灯变绿；
  4. 对镜头依次摆出剪刀、石头、布，每次点拍照。

看到什么算成功：Debug 输出形如：

[{"class":"scissors","score":0.87}, {"class":"rock","score":0.09}, ...]

读结果：和 COCO-SSD 一样的三件套格式（class/score），数组按概率从高到低排——第一行就是模型的答案。三个手势各拍几张，命中率在八成以上算训练成功；某类频繁认错，回去给那个类多补几张多样性的照片重训。

想让它像 12-4 一样出裁判结果？从 teachable machine 节点拉线到 Switch（按 payload[0].class 分三路）再到 dashboard 的三个 Text——12-4 当年手写的真值表，这次由模型自己的概率说了算。两代做法摆在一起看：【规则版】逻辑透明、永不误判位置，【模型版】能容忍手势千变万化、却会以概率的方式犯错——选哪条路，取决于你更需要可解释还是更抗变化。

30 秒实验

不碰 Node-RED，在 Teachable Machine 网页的预览区里做一个对照：同一只手，先正对镜头摆剪刀看概率条，再把侧过来摆——观察 scissors 概率是否明显下滑。下滑说明这个角度的训练数据不够；回采集区给 scissors 补几张侧位照重训，概率立刻回升。这 30 秒演示了机器学习最朴素的一条真理：模型的上限不在算法，在数据。

五、老教程里已失效／易踩的写法

  1. 【训练在树莓派上】是错觉——训练发生在你打开 TM 网站的浏览器里（可以是树莓派的 Chromium，也可以是 Windows 电脑的 Chrome），树莓派只是导出后的推理方；两台设备分工别搞反。
  2. 节点部署完就测——状态灯还黄着就拍照，消息直接石沉大海；等绿灯。
  3. URL 只复制一半——托管地址带一串随机后缀和结尾斜杠，少任何一段都是模型加载失败；从导出弹窗原样整段复制。
  4. 拿它当生产级模型——TM 定位是教育与原型（官方自己这么说）；要上生产，导出模型后另走正经部署，它只负责【快速验证想法值不值】。

六、常见误区

  1. Teachable Machine 是玩具、不算真 AI —— 它训练的是货真价实的神经网络（迁移学习），导出的模型能在任何 JS 环境用；【零代码】不等于【假训练】。
  2. 每类只录十张就能很准 —— 样本太少又单一时，模型只会认你录的那个角度；每类几十上百张＋姿态背景多样，才是够用的下限。
  3. 模型会过时，采集的数据要留着 —— 导出的托管模型随时可重新训练覆盖；但采集的原始数据在浏览器里，关页面前导出保存（或存项目到 Drive），否则重训要从头拍。
  4. 红状态灯就该重装 Node-RED —— 先查 URL 复制是否完整、网络能否访问托管地址；绝大多数红灯是配置问题不是环境问题。
自测三问（点开对答案） 1. Teachable Machine 的训练发生在哪里、数据上不上传？ 训练在浏览器标签页里（TF.js 迁移学习），训练数据不上传——除非主动把项目存到 Google Drive。 2. 节点 Online Mode 配置最容易错的一个字符是什么？ 结尾的斜杠 `/`——URL 必须从 https:// 完整复制到结尾斜杠，少一段都加载失败。 3. 某个手势老被认错，最有效的动作是什么？ 给那个类补更多样化的照片（换角度/距离/背景）重训——改算法不如改数据。

相关笔记