一、前言：

最近公司有一个项目需求需要使用到AI智能识别的功能《垃圾智能AI识别系统》，之前也没接触过这个赛道，刚好前段时间参加过“Baidu Comate智能编码助手”的活动，在公司的项目也是一直在使用，在很多地方帮助程序员开发人员更好地理解和优化代码，提高软件的可维护性和可靠性、安全性。

今天刚好也是接触新的技术领域，经过“Baidu Comate智能编码助手”的几个月的使用的经验，来帮助我从0到1来实现这个《垃圾智能AI识别系统》的项目。

1.1 项目需求描述：

客户有一个自动化垃圾分拣设备，需要装一个开发板，在AI技术加持下，作业单位可以通过识别不同的生活垃圾图片进行实时分析处理，来决定这个垃圾将要分拣到哪个区域，将AI识别技术用于垃圾分类质量来提高人工的效率，以实现对湿垃圾分类品质的智能管理和监督。

1.2 技术挑战：

与之前接触的Web领域不同，这次的项目是几个部门一起联合协作，IT、AE（自动化工程）、ME(机械工程)等几个部门，IT部门需要做的事情就是通过开发板将垃圾的图片识别出来进行分类，将结果的数据传给AE部门，再通过机械手臂来分拣到对应的区域，因为也是刚刚接触硬件相关的开发，所以，下面大概列举一下这次挑战的技术点：

硬件开发板（基于香橙派的OrangePi AIpro(8-12T)）图片智能识别领域（基于Python）环境部署（Linux Ubuntu）

因为本人一直在使用PHP进行开发，接下来，就由“Baidu Comate智能编码助手”边问边做，来一步一步的实现完成《垃圾智能AI识别系统》的项目。

二、基于“Baidu Comate 智能编码助手”实现《香橙派垃圾识别的AI项目》的最佳落地实践：

开发板的主要目的是帮助开发人员快速搭建嵌入式系统原型，进行软硬件联合调试和测试，从而提高开发效率和减少开发成本。

本人也是刚刚接触开发板，从“Baidu Comate 智能编码助手”给出的解释是：开发板（Demo Board）是一种用于嵌入式系统开发的硬件平台，它通常包含了一系列必要的硬件组件，如中央处理器（CPU）、存储器、输入设备、输出设备、数据通路/总线和外部资源接口等。

在我个人的理解中是相当于一个小型的主机，由于成本比较低、体积比较小，可以在智能家居、物联网、机器人等项目中，开发板作为核心硬件平台，支持项目的快速开发和部署，本文中我们使用香橙派的OrangePi AIpro(8-12T)开发板来开发运行的环境。

2.1 上传OrangePi手册打造私有在线“AutoWork”知识库：

刚刚接触这个开发板，有点无从下手，需要准备什么样的东西，如何开机使用等问题，从官网下载了一个 使用手册，有近12M的一个PDF，而且有近170页，从头看到尾，估计要花费很长的一段时间，从上个文章了解到“Baidu Comate 智能编码助手”有一个“AutoWork”功能，让我们将这个使用手册上传到在线知识库，让AI来帮助我们使用和理解PDF手册。

在VsCode中的“Baidu Comate 智能编码助手”中，点击“知识模块 -> 知识集 -> 新增知识集”即可在VsCode中打开知识集管理列表，新增一个“OrangePi手册”的知识集，保存后可以在列表中查看，此时，知识集里面是没有文档的，可以⽀持 上传.pdf、.md、.txt、.docx、.doc、.zip、.gz等格式的文件，⼤⼩要小于100M。

将PDF手册上传时，发现有一个错误“包含xss脚本代码”，上传不了，在之前的体验是没有的，只能将PDF手册通过百度的工具转化为可编辑的wrold文档，去掉相关的xss代码即可上传成功。

可以看到在官方这次更新迭代中，增加了不少安全方面的验证，如在编码阶段发现安全问题：通用漏洞、供应链漏洞、机密防泄漏。

这里需要注意一下，刚刚上传的world会显示一个“未激活”的tag，表示当前知识集是否已完成向量化，即上传的文档左上角未出现『未激活』字样，需要等待向量构建，如果构建完成的话，搜索的结果都会优先查找上面的world。

2.2 开发板开机准备：

上面看到可以使用“AutoWork”搭建完成知识库，从知识库问一下，开发板如果需要开机的话，需要使用到哪些配件，需要准备哪些配件：

Type-C电源线、插头SD卡、SD卡读卡器HDMI插头散热风扇

通过上面提到的准备的配件后，我们组装在一起，可惜知识库没有提供图片，这里建议后面AI能够生成图片，比如“OrangePi板子如何进行组装配件”，回答的文案跟上面也是接近，无奈这部分只能去看看官方提供的PDF文档，可以看到如下图所示，基本上使用了4个位置的地方：键盘和鼠标USB插头、显示器HDMI插头、电源Type-c插头、SD卡插槽。

插入USB的鼠标和键盘、显示器HDMI线、自带的type-c电源线后，即可以去插上电源了，经过上面配件的组装后，一插入就自动启动了，没有什么开机键，即一通电就自动启动了。

但是有一个问题，等了5分钟除了风扇一直响外，只有一个灯在闪，但是显示器不显示画面，因为开发板肯定是刚买的，大概率问题不大，而且显示的线也是在当副屏幕在使用，所以，硬件坏掉的可能性比较低，让“Baidu Comate 智能编码助手”帮我分析一下是有什么原因导致的？从哪些方面入手处理？

结合“Baidu Comate 智能编码助手”给出的原因与定位的问题点，我们可以使用排除法来确认不能开机的原因：

因为手里没有备用的TF卡，只能通过第二种方案重新进行烧录试试。

在询问“如何进行烧录系统”时，可以看到下载操作系统的镜像并没有给出下载的地址，这里也是为了演示，“AutoWork”私有库如何的进行迭代维护，将几个重要的下载地址，通过编辑一个txt文档，上传到对应的知识库中。

首先打开balena烧录工具地址，因为个人办公是Mac电脑，借用了同事的Windows电脑来进行此次的测试，我们选择OS为“WINDOWS”的X86|X64版本下载。

打开下载的balena烧录工具，不用安装，直接就打开了，非常的方便，不用在电脑上安装软件：

点击“从文件烧录”选择好我们提前下载的Linux镜像（百度云真的慢）点击“选择目标磁盘”选中我们插入的TF卡(我提前格式化了)点击“现在烧录”就可以开始进行烧录了

经过2个阶段，一个是验证阶段，一个是烧录阶段，最后烧录提示“出了点问题”，这里不用管，下面会解释为什么。

小细节：

烧录时，提示U盘找不到，需要重新插入，此时，不用管他的提示。在烧录完成后，提示要格式化，也不需要管，因为在烧录时，就已经开始写成Linux的启动镜像盘了，此时，在windows系统是无法识别的，是正常的。

通过重新烧录系统之后，我们的系统就可以正常启动了，但是界面显示需要输入一个用户名和密码，才能进入系统。

通过使用“Baidu Comate 智能编码助手”查找知识库，马上给我们得到了结果，并且经过测试，输入以下这组用户名与密码之后，即可正常进入系统的桌面。

用户名：HwHiAiUser密码：Mind@123

以上就是通过“Baidu Comate 智能编码助手”的“AutoWork”私有库，我需要面对冗长复杂的技术手册，往往需要花费大量时间阅读和理解，占用了开发者大量精力，也会拖慢项目开发进度，只需要简单的将pdf、world、txt等之类的文件，上传到知识库中，能够无缝链接团队的私域知识，即可以挂载各种开发文档、需求文档、API文档等。

通过挂载这些文档，开发者不再需要花费大量时间去翻阅文档、理解新业务逻辑，AutoWork能够直接利用这些现有文档资源，完成理解和分析，加速代码生成，快速实现开发需求。

2.3 开发版本远程链接：

远程连接就是在远程连接另外一台计算机，当某台计算机开启了远程桌面连接功能后，就可以在网络的另一端控制这台计算机了，通过远程桌面功能就可以实时的操作这台计算机，在上面安装软件，运行程序，所有的一切都像是直接在该计算机上操作一样。

一般来说，像开发板的话，会使用使用远程连接来提高工作效率、‌‌促进团队协作和资源共享，在询问“Baidu Comate 智能编码助手”如何进行开发板的远程链接，也给出了方案：

由于办公环境没有网线，用的是Wifi，所以，先将开发板连上Wifi查看IP地址，使用ip addr命令来查看eth0网卡的IP地址，因为在同一个Wifi中，算是同一个局域内网，可以进行通信开发板上的环境是Linux环境，所以我们使用SSH进行登录登录上开发板环境

上面通过“Baidu Comate智能编码助手”的“AutoWork”构建私有库可以加快对文档的搜索，更好的帮助我们检索想要的答案，而且可以通过不断的更新文件来弥补垂直领域的空缺，将开发板从组装、烧录、开机等阶段的辅助，当然，其中，也会存在一些问题，只有一些文案的描述，如果里面能生成图片就更好了。

2.4 准备开发环境：

因为本人一直是使用PHP和vue在开发项目，没有接触过其它的语言，这次首先使用“Baidu Comate 智能编码助手”帮助查询一下用什么语言开发一个垃圾识别的项目，以下在“Baidu Comate 智能编码助手”的输入框中，输入需要搜索的问题，点击“发送”即可轻松的完成检索。

从“Baidu Comate智能编码助手”的回答提示来看，可以看到基于当前AI和机器学习领域的流行趋势，推荐使用Python语言。

“Baidu Comate智能编码助手”搜索一下，如何进行python版本的查看，可以判断一下我当前的环境中是否有python环境，给我推荐了一条shell命令行“python --version”，经过在开发板中查看，发现确实没有python运行环境，需要进行手动安装一下环境。

搜索“怎么在Ubuntu安装ptyhon环境”，根据提示的在开始安装之前，建议先更新一下Ubuntu软件包列表，以确保安装的最新的版本的软件包，需要输入shell命令“sudo apt update”，可以看到命令执行，开始下载和更新软件列表，但是在这个过程中，更新很缓慢，等了10几分钟也没更新完，在我的笔记中有更新镜像源的方法，但是查找的过程比较多，让“Baidu Comate智能编码助手”来几秒回答我。

“Baidu Comate智能编码助手”给出的答案，可以分为4步来进行手工来操作切换镜像源：

需要备份源文件，因为怕误操作，还可以还原回来，备份/etc/apt/sources.list文件编辑sources.list源文件，但是给出的答案是使用gedit来操作，不过，我个人比较常用vi来进行编辑文件（不过，看个人的喜好）复制清华大学的镜像源，不过，在实际的生产，我个人比较倾向于阿里云的镜像源保存文件后，再使用apt-get update命令进行更新Ubuntu软件包列表，来获取最新的版本的软件包

更新完软件包列表后，继续进行安装python环境，因为现在都是使用python3的版本了，所以，建议使用python3的环境，安装完成后，使用python3 –version查看版本为3.8.0，表示python3的环境是安装成功了。另外，也更新安装一下pip的包管理工具的安装，最终也是安装成功了。

【新知识扩展】：

这里不得不学到一个新的知识，就是虚拟环境，按照理解，就相当于docker一样，会启动一个隔离项目依赖的轻量级环境，非常适合刚入门的开发者，避免环境的问题导致排错困难，弄坏了一个环境，再新建一个虚拟环境即可。

小提示：如果刚接触Python的同学，可以参考一下，Python相当于Node是一个开发语言的环境，而Pip相当于Npm是一个包的管理工具，可以通过pip来安装一些包。

2.5 AI项目智能调试工具 – Jupyter：

在以前跟朋友交流的时候，了解到python有一个Jupyter的在线调试工具，非常的方便，只需要装个软件，就能以web的方式进行访问，然后，可以在web页面进行调试工具，而不需要每个人登录到命令控制台，这样可以减少服务器登录的次数，并且提高了安全的风险，接下来，就让我来使用“Baidu Comate智能编码助手”来了解并使用Jupyter。

Jupyter是一个开源的、基于Web的交互式计算环境，它允许用户创建和共享包含实时代码、数学方程、可视化和文本的文档。Jupyter最知名的组件是Jupyter Notebook，它是一个允许用户编写、运行和分享包含实时代码、方程、可视化和文本的交互式笔记本的Web应用程序。

Jupyter是一个功能强大、易于使用的交互式编程环境，它非常适合数据科学家、研究人员和教育工作者等人群使用。

2.5.1 安装Jupyter：

安装Jupyter Notebook通常很简单，用户可以通过Python的包管理器pip来安装。不过，在安装过程中可能会遇到一些常见问题，如网络连接问题或版本兼容性问题等。为了解决这些问题，用户可以尝试使用国内的镜像源来加速下载，或者更新pip到最新版本。

使用“pip3 install jupyter”命令后，等待几分钟后，提示报错：“pip install jupyter时，提示HTTPSConnectionPool(host=‘files.pythonhosted.org’, port=443): Read timed out.”，网络超时了，使用Comate搜索的答案，给了7种方案，可以根据自己的情况来逐一排查，在我这里我觉得第2个方案是最适合的方案。

pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple -vv

前面3个步骤，因为在上面安装Python3环境时，已经更新过软件包列表和安装过Pip3了，这里可以直接省略不需要再次重复安装一遍，在安装Jupyter时，使用“pip3 install jupyter”时，发生了报错Timeout超时的情况，我们可以看到上面通过后面加镜像源解决了这个问题。

当然，这里其实还是推荐上次“Baidu Comate智能编码助手”提到的python3虚拟环境，这样可以隔离安装的环境依赖。

三、“Comate”最佳实践方案 – 基于“MobileNet”的模型的训练：

上面通过“Baidu Comate智能编码助手”，从开发板子的组装到开机、再到安装环境，已经基本上具备了项目的开发，接下来，再接再厉，让“Baidu Comate智能编码助手”继续给我们生成基于“MobileNet”的模型的训练模型。

为了在香橙派的开发板子上，先体验一下图像识别的项目，让“Baidu Comate智能编码助手”帮我们推荐一款适合香橙派Python的垃圾识别图像分类的模型，可以看到推荐了一个“MobileNet”的模型，通过“数据准备”、“模型训练”、“模型部署”和“图像分类”4个大块，可以完成一个垃圾识别系统的开发。

顺藤摸瓜，上面“Baidu Comate智能编码助手”推荐了一个适合嵌入式设备loT设备使用模型 – “MobileNet”模型，通过上下文有效的结合后，帮我生成一个“MobileNet”模型垃圾分类的项目，大概分为5个步骤来实现：“数据准备” -> “数据预处理” -> “模型搭建” -> “模型训练” -> “模型测试”。

同时，“Baidu Comate智能编码助手”也给了一些注意事项与建议，就是在垃圾图片识别中需要图片样本数量最好都一样，而且图片的质量也要比较高，否则容易受到光照、遮挡、角度等多种因素的影响，从而导致模型识别准备率下降。

上面通过“Baidu Comate智能编码助手”生成的《基于MobileNetv2的垃圾分类》的代码，可以看到生成的代码是根据上下文环境来关联的，将代码复制到JupyterLab中执行，发现报错：

ModuleNotFoundError: No module named 'torchvision'

提示’torchvision’模块没有找到，通过“Baidu Comate智能编码助手”的分析是开发板中的Python环境中没有安装torchvision这个模块。

torchvision是PyTorch的一个扩展库，它提供了很多用于计算机视觉的常用数据集、模型架构和图像转换工具。

解决方案：可以通过Python的包管理工具pip来安装torchvision模块，安装成功后，会显示“Successfully installed torchvision-0.19.0”，表示安装成功了。

pip install torchvision

安装模块后，再将生成的代码，复制到Cell中，再进行执行，发现提示“NameError: name ‘train_dataset’ is not defined”，这个问题还是比较简单的，就是说明变量或名字没有被定义，可以自行解决，不需要进行AI询问了。

将修改的代码，再复制到Cell中，再次执行，会提示“FileNotFoundError: [Errno 2] No such file or directory: ‘path_to_train’”，如上，这个提示也是比较简单的，就是找不到对应的文件与目录，此时，需要去找一下需要的数据集，包括2个部分：

需要训练的数据集需要测试的数据集

从“Baidu Comate智能编码助手”中，找了不少的方案也没有提供相关的现成的数据集（垃圾图片相关的），没有办法，只能通过在网上和群里询问大家，最后得到了一个公开的垃圾分类相关主题的数据集，里面包含训练和测试的数据集，一共有25个分类的样本图片。

将这些图片直接拖动到JupyterLab中即可上传到开发板中，还是比较方便的，否则只能靠FTP的工具来进行上传了，顺便将以下代码修改为对应正确的路径：

# 假设你已经有了train_dataset和test_dataset

train_dataset = datasets.ImageFolder(root='/home/xxx/data_en/train', transform=transform)

test_dataset = datasets.ImageFolder(root='/home/xxx/data_en/test', transform=transform)

将修改的代码，再复制到Cell中，再次执行，发现又报错了“参数从0.13开始就被弃用，将来可能会被删除。请使用关键字参数”，从英文的警告说明来看，是在0.13版本已经移除了属性，可以使用其它关键字参数来代替。

warnings.warn(

f"Using {sequence_to_str(tuple(keyword_only_kwargs.keys()), separate_last='and ')} as positional "

f"parameter(s) is deprecated since 0.13 and may be removed in the future. Please use keyword parameter(s) "

f"instead."

)

kwargs.update(keyword_only_kwargs)

同样，将错误直接复制到“Baidu Comate智能编码助手”中搜索，可以自动分析错误的原因，并且给出了解决方案“注意到了pretrained参数已经被弃用，并且应该使用weights参数来替代”，然后，通过上下文的环境关系，自动生成修复代码，这个功能非常强大。

此外，你的数据加载和模型训练部分看起来是合理的，但请确保你的数据路径和文件结构是正确的，以便 ImageFolder 可以正确加载数据。