前言

今天大姚給大家分享一個.NET開源、免費、跨平臺（支持Windows、Linux、macOS多個操作系統）的機器學習框架：ML.NET。并且本文將會帶你快速使用ML.NET訓練一個屬于自己的圖像分類模型，對圖像進行分類。

ML.NET框架介紹

ML.NET 允許開發人員在其 .NET 應用程序中輕松構建、訓練、部署和使用自定義模型，而無需具備開發機器學習模型的專業知識或使用 Python 或 R 等其他編程語言的經驗。該框架提供從文件和數據加載的數據。數據庫，支持數據轉換，并包含許多機器學習算法。

AI和機器學習有什么區別?

AI 是一個計算分支，涉及訓練計算機執行通常需要人類智能的操作。機器學習是 AI 的一部分，它涉及計算機從數據中學習和在數據中發現模式，以便能夠自行對新數據進行預測。

ML.NET支持的.NET框架

目前ML.NET支持.NET、.NET Core (版本 2.0 及更高版本)和 .NET Framework (版本 4.6.1 及更高版本)。

框架源代碼

ML.NET官方提供的使用示例

• https://github.com/dotnet/machinelearning-samples

ML.NET使用環境安裝

安裝本機.NET環境

首先需要準備好本機的.NET開發環境：

• https://dotnet.microsoft.com/zh-cn/download

Visual Studio環境配置

選擇.NET 桌面開發工作負荷以及可選的 ML.NET Model Builder 組件。

ML.NET Model Builder 組件介紹：提供易于理解的可視界面，用于在 Visual Studio 內生成、訓練和部署自定義機器學習模型。

創建一個WinForms應用

創建一個名為：MLNETExercise的.NET8 WinForms應用。

準備好需要訓練的圖片

訓練圖像分類模型

測試訓練模型的分析效果

在WinForms中調用圖像分類模型

調用完整代碼

        private void Btn_SelectImage_Click(object sender, EventArgs e)
        {
            using (OpenFileDialog openFileDialog = new OpenFileDialog())
            {
                openFileDialog.Title = "Select Image";
                openFileDialog.Filter = "Image Files (*.jpg, *.png, *.bmp)|*.jpg;*.png;*.bmp|All Files (*.*)|*.*";

                if (openFileDialog.ShowDialog() == DialogResult.OK)
                {
                    // 獲取用戶選擇的文件路徑
                    string selectedImagePath = openFileDialog.FileName;

                    // 從文件加載圖片
                    Image img = Image.FromFile(openFileDialog.FileName);
                    this.pictureBox.Image = img;

                    var imageBytes = File.ReadAllBytes(selectedImagePath);
                    MLImageAnalysis.ModelInput sampleData = new MLImageAnalysis.ModelInput()
                    {
                        ImageSource = imageBytes,
                    };

                    //Load model and predict output
                    var result = MLImageAnalysis.Predict(sampleData);
                    this.txt_Box.Text = result.PredictedLabel;
                }
            }
        }

運行效果展示