02人工智能创新型教师培育计划（第一期）0126

	人工智能创新型教师培育计划（第一期） 活动更新（1月24日 15：00更新）： 感谢各位老师对本次活动的关注与支持，线上课程即将开始，请各位已报名老师注意以下事项： 1. 直播时间：   1月25日 19：30—21：00     1月26日 19：30—21：00   2. 直播内容：   课题：大模型赋能3小时入门Python     教师：谢作如（浙江省特级教师）
	xedu 安装使用
	1. 管理员安装   2. 解压根目录  xedu文件夹    3. 运行 bug修复     4. 执行自己习惯的编程 模式。 三选一    5. Jupyter编辑器.bat 启动   保留 服务窗口  浏览器 chrome 编程页面   编程页面。
	02课内容 2025年1月26日 星期日
	知识点回顾； 1. 什么是编程。   程序，或者提示词避免歧义。   2. 解释性语言和编译形语言   xedu集成环境       错误解决   路径设置问题，属于软件使用问题。      版本冲突问题。   python基础  变量，引号。   切片   考试   大模型解答复杂问题。   2023年中小学教师人工智能评比考试     优质教师同等评级。 人工智能与硬件无关。     默认情况下，分类模型的推理结果返回的是列表，内容是每一个类别的概率(总和为1)。 比一个10分类的AI模型返回的推理结果是 “[0.01,0.01,0.01,0.01,0.70,0.21,0.02,0.01,0.01,0.01]” 女口表示第4类(序号从0开始)的概率最大，置信度(也称可靠度或者置信系数)是0.70， 其次是第5类，置信度是0.21。 函数topk"能够对推理结果进行处理，输出率最大的前n类的。参数"list in"为推理结果， n为要返回的类别数量。以上面的数据为例，如果n的值是3，那么返回的数据如下: {0: [4,0.70].1: [5,0.21].2: [6, 0.02]} 即返回的数据为有3组元素的字典，键名为"0"的是概率最大的类别， 键值为由类别序号和置信度组成的列表，即“[4,0.7]"。 浦育平台 - 搜索项目   https://www.openinnolab.org.cn/pjedu/home   项目克隆、；    https://www.openinnolab.org.cn/pjlab/project?id=679629837ba31558ee89bedb&backpath=/pjlab/projects/list       1）下载最新版本 XEdu 一键安装包（v1.6.7f）， 建议安装在“D:/”， 具体检查要求见附录 （XEdu 环境）。 下载地址：https://p6bm2if73b.feishu.cn/file/boxcn7ejYk2XUDsHI3Miq9546Uf 2）下载最新版本的 Mind+，并安装 XEduHub 和 Flask 插件， 具体检查要求见附录 （Mind+环境）。 Mind+下载地址：https://mindplus.cc/download.html XEduHub 插件地址：https://gitee.com/liliang9693/ext-xedu-hub 二、答题 根据试题和教程完成（项目文件提供试题、参考答案、参考教程） 注：综合题请在本地完成，数据集见项目文件，任务一：auto-mpg.csv，任务二：wqx3_imagenet.zip     生成结果       默认情况下，分类模型的推理结果返回的是列表，内容是每一个类别的概率(总和为1)。比如，一个10分类的AI模型返回的推理结果是 “[0.01,0.01,0.01,0.01,0.70,0.21,0.02.0.01,0.01,0.01]”，表示第4类(序号从0开始)的率最大，信度(也称可度或者置信系数)是0.70，其次是第5类，置信度是0.21。函致“top_k”能够对推理结果进行处理，输出概率最大的前n类的。   import numpy as np def top_k(result, k): """ 返回概率最大的前 k 类的索引和概率。 参数: result (list): 分类模型的推理结果，每个元素表示一个类别的概率。 k (int): 要返回的类别数量。 返回: top_indices (list): 概率最大的前 k 类的索引。 top_probabilities (list): 这些类别的概率。 """ # 将结果转换为 NumPy 数组 result_array = np.array(result) # 获取概率最大的前 k 个索引 top_indices = np.argsort(result_array)[-k:][::-1] # 获取对应的概率 top_probabilities = result_array[top_indices] return top_indices, top_probabilities from XEdu.hub import Workflow as wf # 导入库 # 实例化模型 model = wf(task='cls_imagenet') # 指定进行推理的图片路径 img_path = 'demo/cat.jpg' # 进行推理 result = model.inference(data=img_path) # 打印结果 # print("推理结果:", result) print("结果类型:", type(result)) print("结果长度:", len(result)) # 如果 result 是一个二维数组，提取第一行 if len(result.shape) > 1 and result.shape[0] == 1: result = result[0] # 打印提取后的结果 # print("提取后的推理结果:", result) print("提取后的结果类型:", type(result)) print("提取后的结果长度:", len(result)) # 使用 top_k 函数获取概率最大的类别及其概率 k = 1 top_indices, top_probabilities = top_k(result, k) # 打印最大值 print(f"概率最大的类别索引: {top_indices[0]}") print(f"概率最大的类别概率: {top_probabilities[0]}") 　　       from XEdu.hub import Workflow as wf # 导入库 cls = wf(task='cls_imagenet') # 实例化模型 img_path = 'demo/cat.jpg' # 指定进行推理的图片路径 cls.inference(data=img_path) # 进行推理 cls_format_result = cls.format_output(lang="zh") # 结果格式化输出   模型加载成功！ {'预测值': 281, '分数': 0.59826237, '预测类别': 'tabby, tabby cat'}     提示词； from XEdu.hub import Workflow as wf # 导入库 cls = wf(task='cls_imagenet') # 实例化模型 img_path = 'demo/cat.jpg' # 指定进行推理的图片路径 cls.inference(data=img_path) # 进行推理 cls_format_result = cls.format_output(lang="zh") # 结果格式化输出 这个程序就完成了图片推理， 并输出了推理结果。 模型加载成功！ {'预测值': 281, '分数': 0.59826237, '预测类别': 'tabby, tabby cat'} 结合这个功能，可以帮我写个python的 应用界面程序吗。   我们可以使用 tkinter 库来创建一个简单的图形用户界面（GUI）应用程序，让用户可以轻松地选择图片并查看推理结果。以下是一个完整的示例代码： 完整代码 Python复制 import tkinter as tk from tkinter import filedialog from XEdu.hub import Workflow as wf # 实例化模型 cls = wf(task='cls_imagenet') # 定义函数来处理图片推理 def process_image(): # 打开文件选择对话框 img_path = filedialog.askopenfilename(title="选择图片", filetypes=[("Image files", "*.jpg *.jpeg *.png")]) if not img_path: return # 如果用户取消选择，直接返回 # 进行推理 result = cls.inference(data=img_path) cls_format_result = cls.format_output(lang="zh") # 更新结果显示 result_text.set(f"预测值: {cls_format_result['预测值']}\n分数: {cls_format_result['分数']:.6f}\n预测类别: {cls_format_result['预测类别']}") # 创建主窗口 root = tk.Tk() root.title("图片分类器") # 创建一个标签来显示结果 result_text = tk.StringVar() result_label = tk.Label(root, textvariable=result_text, justify=tk.LEFT, wraplength=400) result_label.pack(pady=20) # 创建一个按钮来选择图片并处理 process_button = tk.Button(root, text="选择图片并推理", command=process_image) process_button.pack(pady=10) # 运行主循环 root.mainloop() 代码说明 导入必要的库： tkinter 用于创建图形用户界面。 filedialog 用于打开文件选择对话框。 XEdu.hub 用于加载和使用分类模型。 实例化模型： 使用 wf(task='cls_imagenet') 实例化分类模型。 定义 process_image 函数： 打开文件选择对话框，让用户选择图片。 调用模型的 inference 方法进行推理。 调用 format_output 方法格式化输出结果。 更新结果显示在标签中。 创建主窗口： 创建一个 tk.Tk 对象作为主窗口。 设置窗口标题为 "图片分类器"。 创建结果显示标签： 使用 tk.StringVar 来动态更新结果显示。 创建一个 tk.Label 来显示结果。 创建按钮： 创建一个按钮，点击时调用 process_image 函数。 运行主循环： 调用 root.mainloop() 启动应用程序的主循环。 运行程序 将上述代码保存为一个 Python 文件（例如 image_classifier_gui.py），然后运行该文件。程序将启动一个图形用户界面，用户可以通过点击按钮选择图片并查看推理结果。 示例运行 启动程序后，界面如下所示： 图片分类器 点击 "选择图片并推理" 按钮，选择一张图片（例如 demo/cat.jpg）。 程序将显示推理结果，例如： 复制 预测值: 281 分数: 0.598262 预测类别: tabby, tabby cat   提示词   可以同时把选择的图片，展示在 界面上吗。
	添加摄像头识别，实时吃输出结果。   要实现从摄像头实时获取图像并进行实时检测，同时输出“预测类别"，你可以借助Python的 0penCV 库来捕获摄像头的视频流，然后循环读取每一帧图像，将其传入 XEduHub 的模型进行推理，并输出预测类别。以下是修改后的代码示例:           import cv2 from XEdu.hub import Workflow as wf # 实例化模型 cls = wf(task='cls_imagenet') # 打开摄像头 cap = cv2.VideoCapture(0) # 检查摄像头是否成功打开 if not cap.isOpened(): print("无法打开摄像头") exit() # 循环读取每一帧图像 while True: # 读取一帧 ret, frame = cap.read() # 如果正确读取帧，ret为True if not ret: print("无法读取帧") break # 将帧图像转换为模型需要的格式 # 假设模型需要224x224的图像 resized_frame = cv2.resize(frame, (224, 224)) # 进行推理 result = cls.inference(data=resized_frame) cls_format_result = cls.format_output(lang="zh") # 在图像上显示预测类别 cv2.putText(frame, f"预测类别: {cls_format_result['预测类别']}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) # 显示图像 cv2.imshow('frame', frame) # 按下 'q' 键退出 if cv2.waitKey(1) == ord('q'): break # 释放摄像头资源 cap.release() # 关闭所有OpenCV窗口 cv2.destroyAllWindows() 　　               考题，模型运行输出结果如下，   提取出来坐标。 把对应位置的矩形框 绘制出来。                 总结；
	xedu路径的设置 https://www.openinnolab.org.cn/pjedu/teach?mode=learn&courseId=6389aad6570167175c7300a8&scheduleId=6389c007caf1801dde9883fb&classId=null&documentId=6389b11a67cc8f3dee6c0498&from=courseDetail       当前文件的位置。。   同目录创建   demo 文件夹   demo中确保  有需要的 文件   图片路径 img_path = 'demo/cat.jpg' # 指定进行推理的图片路径 img_path = 'demo/cat.jpg' # 指定进行推理的图片路径
	考题，模型运行输出结果如下，   提取出来坐标。 把对应位置的矩形框 绘制出来。