即教即识（TeachableClassifier）使用指导：在手机上现拍现教

• 它能做什么
• 准备工作
• 案例一：教会 App 认东西
• 案例二：保存、加载模型，给相册图片分类
• 案例三：认出后朗读出来
• 结果数据说明
• 常见问题
• 完整 .aia 源码与操作指导

« 返回

机器学习套件(ML Kit)组件在在线版和教育版中提供，离线版（含机房版）不包含。

它能做什么

即教即识让 App 学会认你自己的东西：给每个类别对着摄像头拍几张到几十张样本，马上就能实时分辨。不用电脑、不用联网，也不用等待训练。可以认杯子和笔、石头剪刀布手势、表情、零食包装、垃圾种类…… 教好的结果能保存成文件，下次直接加载。它是 PersonalImageClassifier（PIC）、TeachableMachine 拓展和 MIT PICaboo 课程的本土化简化版（全程离线运行）：那两个拓展要先到国外网站训练，国内用不了，这里在手机上就能完成同样的事。也可以用电脑打开即教即识训练台，拍样本或拖入一批图片，测好正确率后导出模型文件，上传为素材直接用。

即教即识为教学做了简化：没有选网络、调学习率、训练轮数这些参数，加样本立刻生效。想讲神经网络训练过程、自己调参数，可以用 PersonalImageClassifier 拓展；类别很多、要求高精度或要用现成的专业模型，在电脑上训练 TFLite 模型后用自定义图像分类。几种方案的关系和区别，看图像分类方案对比：Teachable Machine、PIC 和即教即识怎么选。

准备工作

• 教得好的窍门：每类 10～30 张；采集时慢慢转动物体、变换远近和角度；类别之间差别越明显越准。再教一个「背景」类（镜头前什么都不放），没东西时就不会乱认。
• 最低置信度：默认 0.6，最像的类别置信度低于它时结果为空（拿不准）。认错多就调高，总说拿不准就多教几张。
• 系统要求：Android 7.0 以上。
• 联机调试：安卓上用 AI 伴侣调试需要安装 MLKit 版 AI 伴侣（应用宝，包名 cn.fun123.appinventor）；普通版伴侣不含识别引擎，调用时会触发「屏幕.出现错误时」（错误码 4722）。直接打包 APK 安装测试不受影响。
• 安装包体积：只有用到本组件的 App 才会打包它的识别引擎与模型，体积以编译结果为准。
• 鸿蒙：暂不支持：鸿蒙系统没有开放通用图像特征提取接口，添加样本、分类、实时摄像头都会触发「分类出错」并说明原因。

案例一：教会 App 认东西

先「打开实时摄像头」，再用「从摄像头采集样本(类别, 张数)」连续采集，每采到一张触发「样本已添加」。教完的类别立刻参与分类，「实时分类」按「实时事件间隔」给出结果：

when 按钮_打开.Click() {
  即教即识1.PreviewContainer = 垂直布局_预览
  即教即识1.StartLiveCamera()
}
when 按钮_教1.Click() { 即教即识1.AddSamplesFromCamera(文本输入框_类别1.Text, 20) }
when 按钮_教2.Click() { 即教即识1.AddSamplesFromCamera(文本输入框_类别2.Text, 20) }
when 即教即识1.SampleAdded(类别, 数量) {
  标签_状态.Text = join("正在教「", 类别, "」：", 数量, " 张")
}
when 即教即识1.LiveClassification(类别, 置信度, 结果JSON) {
  if 类别 == "" {
    标签_结果.Text = "拿不准"
  } else {
    标签_结果.Text = join(类别, "  ", round(置信度 * 100), "%")
  }
}

案例二：保存、加载模型，给相册图片分类

「保存模型」只写文件名时存在 App 自己的目录，不需要存储权限；「加载模型」用同一个文件名读回来。把保存的 .json 文件作为素材上传，App 一打开就能「加载模型」直接认。

警告：模型文件名必须用字母和数字（如 model.json）。中文名在手机上能存取，但作为素材上传时，App Inventor 的素材名不支持中文，上传会被自动改成英文名，「加载模型」里写的中文名就找不到文件了。

不开摄像头时也能用「图片分类」给照片分类：

when 按钮_保存.Click() { 即教即识1.SaveModel("model.json") }
when 即教即识1.ModelSaved(路径) { 标签_详情.Text = join("模型已保存：", 路径) }
when 按钮_加载.Click() { 即教即识1.LoadModel("model.json") }
when 即教即识1.ModelLoaded(类别数, 样本数) {
  标签_详情.Text = join("已载入 ", 类别数, " 个类别、", 样本数, " 张样本")
}
when 图像选择器_相册.AfterPicking() {
  即教即识1.ClassifyImage(图像选择器_相册.Selection)
}
when 即教即识1.GotClassification(类别, 置信度, 结果JSON) {
  标签_详情.Text = join("相册图片：", choose(类别 == "", "拿不准", 类别), "  ", round(置信度 * 100), "%")
}

案例三：认出后朗读出来

「实时分类」每次都触发，要在类别变化时才说话：用全局变量记住上一次的类别，不一样时才调「文本朗读器」。采集样本期间（「正在采集」为真）先不念：

global 上次类别 = ""
when 即教即识1.LiveClassification(类别, 置信度, 结果JSON) {
  if 类别 != "" and 类别 != 上次类别 and not(即教即识1.Collecting) {
    文本朗读器1.Speak(join("这是", 类别))
  }
  上次类别 = 类别
}

结果数据说明

「类别」是最可能的类别，置信度低于「最低置信度」时为空；「置信度」0～1。「结果JSON」里 scores 给出每个类别的置信度，加起来等于 1，例如 {"category":"杯子","confidence":0.94,"scores":{"杯子":0.94,"笔":0.04,"背景":0.02}}。模型文件只存每张样本的特征数字，不存照片。不想处理事件时，直接读「当前类别」「置信度」「各类别置信度」（字典，按类别名取值）三个属性，它们保存最近一次分类结果——实时分类时点按钮读一次，就等于「识别当前画面」。

常见问题

完整 .aia 源码与操作指导

下载 .aia 源码

导入 TeachableClassifierDemo.aia 后可以直接打包 APK 运行；用 AI 伴侣联机调试请安装 MLKit 版 AI 伴侣。源码文件已通过正式编辑器载入、后台导入和 APK 编译校验；真机识别效果请以实际设备为准。

案例界面与积木源码在仓库 docs/markdown/reference/components/guide/examples/TeachableClassifierDemo/，SHA-256：b9bf35b7a526a695e41f209c70ad7b8b32c22cc73e5c5dca9977cce41cadf8d7。