基于 AI 代码助手的开发板垃圾图片识别系统实战

成功启动后，默认账号密码为：

• 用户名：HwHiAiUser
• 密码：Mind@123

2.2 远程连接与环境配置

开发板运行 Linux 环境，通过 SSH 远程连接操作。

1. 连接 WiFi 确保局域网互通。
2. 使用 ip addr 查看 IP 地址。
3. 本地终端执行 SSH 登录。

2.3 Python 环境部署

项目推荐使用 Python。检查版本命令：

python --version

发现未安装，需手动安装。Ubuntu 更新源较慢，建议切换镜像源（如阿里云或清华源）。

备份源文件：

cp /etc/apt/sources.list /etc/apt/sources.list.bak

编辑 /etc/apt/sources.list，替换为国内镜像源，保存后执行：

sudo apt update

安装 Python 3 及 Pip：

sudo apt install python3-pip

验证版本：

python3 --version
# 输出示例：3.8.0

建议使用虚拟环境隔离依赖，类似 Docker 的轻量级隔离方案。

三、Jupyter Notebook 调试环境

Jupyter 是基于 Web 的交互式计算环境，适合数据分析和机器学习调试，无需频繁登录命令行。

3.1 安装 Jupyter

使用 pip 安装，若遇网络超时可指定镜像源：

pip3 install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple -vv

启动服务：

jupyter notebook

浏览器访问生成的 URL，即可在网页中编写和运行 Python 代码，所见即所得。

四、MobileNetV2 模型训练

4.1 模型选择与流程

针对资源受限的开发板，推荐 MobileNet 系列模型。流程包括：数据准备 -> 预处理 -> 模型搭建 -> 训练 -> 测试。

4.2 常见报错与解决

复制生成的代码至 Jupyter 后，常遇到以下问题：

1. ModuleNotFoundError: No module named 'tensorflow' 安装 TensorFlow：

   pip install tensorflow
   

2. FileNotFoundError: path_to_dataset 需准备训练集和测试集数据集。公开数据集包含 26 类样本。

3. ValueError: Arguments target and output must have the same shape 原代码输出层设为 4 类，但数据集有 26 类。需修改类别标签列表。

# 垃圾分类的类别标签
class_labels = ['Seashell', 'Lighter', 'Old Mirror', 'Broom', 'Ceramic Bowl', 
                'Toothbrush', 'Disposable Chopsticks', 'Dirty Cloth', 'Newspaper', 
                'Glassware', 'Basketball', 'Plastic Bottle', 'Cardboard', 
                'Glass Bottle', 'Metalware', 'Hats', 'Cans', 'Paper', 
                'Vegetable Leaf', 'Orange Peel', 'Eggshell', 'Banana Peel', 
                'Battery', 'Tablet capsules', 'Fluorescent lamp', 'Paint bucket']

修正路径与类别数后，模型开始训练，loss 下降，accuracy 上升，最终保存为 garbage_classification_model.h5。

五、推理与 Web API 集成

5.1 模型推理测试

加载训练好的模型，输入图片进行预测，验证分类准确性。

5.2 前端框架与后端接口

前端使用 TDesign 框架（腾讯出品），支持 Vue/React。后端使用 Flask 提供 API。

5.2.1 前端上传组件

引入 TDesign 上传组件，按需引入。注意处理 HTML 注释及参数传递。

// 示例逻辑
<Upload action="/api/upload" />

5.2.2 Flask 后端服务

生成接收图片并调用识别模型的 API。

from flask import Flask, request
import tensorflow as tf

app = Flask(__name__)

@app.route('/classify', methods=['POST'])
def classify():
    if 'file' not in request.files:
        return 'No file part'
    # 加载模型并推理...
    return {'result': 'class_name'}

安装依赖：

pip install flask

启动服务监听 5000 端口，配合 Postman 测试接口连通性。

5.2.3 前后端联调

配置代理解决跨域问题。注意 HTTPS 与 HTTP 协议一致性。上传图片后，后端返回分类名称，前端渲染结果。

六、AI 辅助开发的痛点与价值

6.1 传统开发痛点

• 接手陌生业务代码，理解成本高。
• 紧急 Bug 修复，缺乏文档。
• 重复造轮子，命名规范不统一。
• 单元测试覆盖率低，线上风险大。

6.2 AI 工具的价值

1. 代码解释与优化：选中复杂代码片段，AI 可生成注释、拆分函数、优化逻辑。
2. 单元测试生成：一键生成覆盖成功/失败场景的测试用例，提升健壮性。
3. 上下文感知：相比通用大模型，IDE 插件能读取当前文件及依赖，提供更精准的续写建议。

6.3 Prompt 工程技巧

提示词越具体，效果越好。例如明确指定'只生成 API 代码'而非'帮我写个网站'，可减少无关内容。

七、总结

本项目完整演示了从硬件初始化、环境部署、模型训练到 Web 服务集成的全流程。AI 编程助手在以下方面表现突出：

• 降低门槛：帮助非 AI 背景开发者快速上手嵌入式与深度学习。
• 提效明显：代码生成、单测编写、Bug 定位时间大幅缩短。
• 知识沉淀：通过对话式问答，快速获取特定库的使用方法和最佳实践。

未来，随着 AI 大模型与 IDE 的深度融合，有望实现更无缝的'开源软件 + 编辑器 + 可视化'整合体验，成为开发者不可或缺的'外挂'。