OneClick.ai 的深度学习视觉是一种旨在为非技术用户提供最先进的深度学习计算机视觉技术的全新服务，在这篇文章中，将向你展示如何在30分钟内建立一个自定义图像分类器，通过处理视网膜的照片，检测糖尿病视网膜病的症状。您不必提供类似于ImageNET那样海量的图片，仅需几张图片，便可看到OneClick.ai的工作方式。我们的人工智能引擎将自动地构建一个适合所提供的数据集和所选任务的神经网络架构。
人人都可以在品牌识别、产品、景观、视频、植物以及检测漏水、火灾、NSFW、监控等场景中运用此服务。
准备上传数据
你只需向AI提供数据，上传的数据需要包括人工标签，而获取有标签的数据有不同的方法，抓取Google 和Bing 的图片搜索引擎，或者在线寻找开源数据集。如果有大量无标签图像，您可以使用第三方工具如Amazon mechanical turk 或者 Crowdflower 要求此类平台上的用户为你贴上标签。您只需在开始之前定义好这些标签并给出详细描述即可。
一旦图片和标签准备好，我们就需要按照平台接受的方式将文件夹结构组织好。
- 当前支持两种文件夹结构：
(1)对每一个你希望预测的类别，建立一个文件夹，并放入所有属于这个类别的图片。例如：想要将图片分类到两个类别：有病症和无病症，需要创建两个文件夹：有病症和无病症，然后将图片分别移到其所属的文件夹。结果文件夹可能如下图所示：
/symptom
image_1.jpg
image_2.jpg
…
/nosymptom
image_3.jpg
image_4.jpg
…
(2)提供一个包含表头的CSV文件，每一个样本为其中一行。这种情况下，CSV文件需要两列——一列表示图像的相对路径，另一列表示图像的类别标签。注意：如果不是多标签分类，标签中要避免出现空格。
images,label img/image_1.jpg,nosymptom img/image_2.jpg,symptom img/image_3.jpg,symptom img/image_4.jpg,nosymptom img/image_5.jpg,nosymptom ...
另外，您可以将数字、文字、图像一起使用，但请注意文件目前只能为CSV格式。
images,age,diet,label img/image_1.jpg,50,vegetarian,nosymptom img/image_2.jpg,45,meat-eater,symptom img/image_3.jpg,55,meat-eater,symptom img/image_4.jpg,52,vegan,nosymptom img/image_5.jpg,46,meat-eater,nosymptom ...
如果是多标签分类，则用空白将不同的标签分开。例如：图像1包含了两个类别：玩具和足球。
images,label img/image_1.jpg,toy soccer img/image_2.jpg,45,bike toy img/image_3.jpg,55,scocer basketball img/image_4.jpg,52,toy basketball img/image_5.jpg,46,pen toy ...
训练机器学习模型
点击【上传数据】按钮
上传数据
一旦完成数据上传，即可选择预测目标，在这个任务中，则是“图片”类别
我们支持三种预测任务：分类、回归、预测。建立图片分类，直接选择”分类“，当然，您也可以选择”回归“任务。比如可以用户外风景的图片来预测地面温度。
一旦点击了”建模“，OneClick.ai的AI引擎会自动分析数据的特征和所选任务类型，然后生成不同的神经网络结构，并将这些结构进行排序从而选出最具价值的结构进行训练。
在选择模型进行部署时，需要考虑两个因素：模型精度和延迟。多数时候，模型复杂度越高，产生的结果更好，但是延迟也会升高。请根据具体的应用需求来权衡这些因素。
此处，我们挑出精度最高的模型
点击图像图标进入测试页面，上传新图像来测试其性能
注意：这个测试页面仅仅在数据包含两列：图像和标签时可用
测试另一个图像
结论
使用oneclick.ai,任何用户都能创建自定义计算机视觉任务，并且在30分钟内将其部署到生产环境。（文中所用到的150张图像均来自于Kaggle糖尿病视网膜病变检测比赛。）