Machine Box的创始人Mat Ryer在medium上分享了一篇博文，意在教你在硬盘上快速的建立一个机器学习图像分类器。在这篇博文中，他用到了一个图像分类工具imageclass。

imgclass工具可以让你把一个文件夹装满图片，然后教一个分类器学会如何自动对未来的图像进行分类。它通过创建一个模型并将80%的示例图像发布到Classificationbox中，然后Classificationbox会学习不同类别的图像是什么样子，以及它们的共同特征是什么。剩下的（20%）图像被用来测试模型。然后，开发人员可以使用Classificationbox API来预测它以前从未见过的图像。

• Classificationbox地址：https://machinebox.io/docs/classificationbox?utm_source=matblog&utm_medium=imgclass&utm_campaign=imgclass&utm_term=imgclass&utm_content=imgclass

这个项目是开源的并在Go语言中编写，本文将解释如何使用它。

• 地址：https://github.com/machinebox/toys/tree/master/imgclass

安装

go get github.com/machinebox/toys/imgclass

$ which imgclass

/path/to/somewhere/bin/imgclass

准备教学数据

两个文件夹Gophers和Humans

在每个文件夹中，添加尽可能多的图片示例。通常，你提供的图片越多，你的模型就越好。

• 猫与狗例子的样本数据集下载地址：http://machinebox.io/samples/images/classification/catsvsdogs.zip

Spin up Classificationbox

• Docker安装：https://machinebox.io/docs/setup/docker?utm_source=matblog&utm_medium=imgclass&utm_campaign=imgclass&utm_term=imgclass&utm_content=imgclass#installing-docker

docker run -p 8080:8080 -e "MB_KEY=$MB_KEY" machinebox/classificationbox

• 如果你需要一个MB_KEY，你可以以下网站中免费获得：

当你在本地运行Classificationbox时，你可以直接从container中访问文档

教学和验证

你将看到的图片和数量概述并要求确认创建模型

分类器可以更好地使用数量平衡的例子，因此，如果你能做到的话，可以在每个类中都使用相同数量的例子。

一旦创建了模型，就会提示你是否要教一个选择的（80%）图像。点击y和按下回车就会开始这个过程:

imgclass工具会将每个图像放入Classificationbox以便让它学习

教学（Teaching）本质上涉及打开每个图像，将其转换为一个base64字符串，并按要求将其提交到/classificationbox/teach API终端，就像这样:

POST /classificationbox/teach

{

 "inputs": [

 {

 "type": "image_base64",

 "key": "image",

 "value": "...base64 data..."

 ]

}

一旦教学完成，验证过程就会开始。

验证（validate）本质上是保留剩余的图像(20%)，并要求Classificationbox来预测它们属于哪个类。如果它做对了，我们就把它当作正确的，否则就错了。

结果显示在终端：

没有任何机器学习模型是100%准确的，但是你可以通过一组好的教学数据来获得一些令人印象深刻的结果——在这种情况下，98%准确！

Machine Box将现有技术的机器学习能力运用到Docker容器中，因此开发者可以很容易地将自然语言处理、面部识别、对象识别等应用到你自己的应用中。它比任何云服务都要便宜，而且你的数据不会离开你的基础设施。