AI课堂融合实例——中药识别(图片模型训练)

承接昨天。

第一篇我们用 Coze 跑通了工作流，学生上传一张药材图，得到的是文字输出——这是当归，性状是……

文字能解决问题，但有个问题：作品看不见。

我们一直在想，什么样的交付形式，既能让学生看得见自己的成果，又不需要非 AI 专业的老师去学代码？

后来想到了 Coze 的画板能力——识别出是什么药材就行，后面用画报制作出来的是知识卡片、药膳推荐、还是拟人化海报，都可以根据课堂情况由老师安排任务。

但要做这样的卡片，有个前提：识别要够准。

通用大模型的准确率天花板就在那里。相似药材、图片质量、地域性药材，这三座山绕不过去。

所以我们引入了第二层：用百度 EasyDL 训练专属模型。

这一篇的目标是给下一篇打地基——把识别准确率拉上去。

一、从文字输出到 H5 返回成功率

第一篇的方案是提示词驱动的——模型本身的能力没变，我们只是教它怎么用自己已有的能力。

今天要讲的方案是数据驱动的——用真实训练数据，让模型学会认它以前不认识的东西。

这就是为什么引入了百度 EasyDL。

EasyDL 是百度的零代码 AI 开发工具，主打不需要写代码，只用图片就能训练 AI。对高校实训场景特别友好——学生把照片喂进去，告诉它这是当归、这是黄芪，它就能学会。

训练完成后，EasyDL 会生成一个 H5 页面。学生扫码上传图片，得到的不再是简单的一行文字，而是识别结果加上置信度——也就是成功率。

这个成功率，就是下一篇做知识卡片的前提。识别不够准，卡片做得再漂亮也没用。

二、训一个模型，到底要做什么

整个过程可以拆成五步，每一步学生都要亲手做：

第一步：拍照片。

听起来简单，但这是整个项目最脏、最累、也最关键的一步。

我们给学生定了四大采集标准：

数量要求是：每组至少 10 种药材，每种至少 50 张照片——500+ 张是底线。下图就是专业药材图片与网图的区别，显著影响模型训练特征提取，进而影响模型识别成功率。

第二步：传上去。

图片拍完，批量上传到 EasyDL 平台。单个图片不能超过 14M，长宽比控制在 3:1 以内。

第三步：标注。

这是最容易出错的一步。

每张图片上传后都是”未标注”状态，学生需要手动给每一张图打标签——这张是当归，那张是黄芪，这张是党参……

500+ 张图，一张一张标，标错一张模型就学错一个。

所以我们设计了一个”交叉质检”环节：小组内成员交换检查对方标注的类别，发现标错立刻纠正。

第四步：等它练。

所有图片标注完成后，点击”开始训练”。

选择”高精度”算法，GPU P4 环境，然后……等待模型的训练完成

等待的过程中，我们给学生讲模型训练的原理——它在做什么？它在找特征。当归的纹理是什么样的？黄芪的根头部有什么特点？这些特征不是人描述给它听的，是它从 500 张真实照片里自己”看”出来的。

在这一步主要是跟着课件点点点就好了，具体的实现细节都不讲，本身课程的强度就不算低~所以在微课环节，我们设置了相当多的带练和一些关键术语的解释，旨在5分钟一节的微课内，用动画、数字人和字幕的方式讲清楚一个概念。

第五步：测准确率。

模型训练完成后，EasyDL 会生成一个 H5 页面。学生用微信扫码就能体验——上传一张药材照片，模型告诉你是什么，以及它有多确定（置信度）。

我们要求学生用自己准备的测试图片（每种至少 5-10 张）去跑一遍，记录每次测试的结果，算出准确率。

三、EasyDL vs Coze，同台竞技

第六课时，我们让学生做了一件特别有意思的事——让 EasyDL 训练的模型，和第一阶段用 Coze 搭的智能体，用同一批”考题”来测试。

规则很简单：

然后对比准确率。

结果很直观：在训练过的药材种类上，EasyDL 更占优势。

原因也很简单——EasyDL 的模型是”吃过这碗饭的”，那 500 张真实照片就是它的”教材”。而 Coze 里的通用大模型，虽然提示词写得再好，终究没见过你家学校那些具体的药材长什么样。

四、这件事的真正价值

表面上看，学生学会的是用 EasyDL 训练一个图像分类模型。

其实真正沉淀下来的，是三样东西：

第一，学生第一次理解了数据是 AI 的基石。

不是理论上的理解，是亲手拍了 500 张照片、标了 500 张图之后的切身体会。数据质量差一点会怎样？标注错一张会怎样？数据量少一点会怎样？这些问题的答案，他们不用背，因为亲眼见过。

第二，老师拿到了一套可复用的教研素材。

学生训练的模型、拍摄的照片、标注的数据，全都在 EasyDL 平台上存着。下学期上课，老师可以直接拿这些数据当案例，或者让新一批学生在现有数据基础上继续扩充。

第三，学校沉淀了自己的数据资产和私有模型。

通用大模型是谁都能用的，但谁都无法控制。而学校用自己的真实数据训练出来的模型，是私域的、专属的、可控的。时间越久，数据积累越多，模型就越准。

这是一件可以持续迭代的事。

五、原始数据的坑，我们是怎么填的

这件事一开始，我们遇到的最大问题是：数据从哪来？

专业的药材照片太不好弄了。老师手里的就那么几张，远不够训练。

我们试过用网上的公开数据集，也爬过拼多多、淘宝的网店图——效果惨不忍睹。

你想想，网店图是什么样的：背景杂乱、光线怪异、角度刁钻、还有水印叠水印。模型学到的不是当归长什么样，而是网店图长什么样。

后来我们拜托老师，想尽办法搞到了一批专业的药材图片库，这才真正能跑起来。

这件事也让我们理解了一个更大的趋势：现在大模型公司都在拼命构建高质量数据集。为什么？因为高质量的人类公开数据越来越稀缺，接下来拼的就是谁能搞到更干净、更专业、更高质量的数据。

学生的那 500 张标注，虽然是小规模练习，但让他们亲手体会了：数据质量决定模型上限。

六、这个模块交付的是什么

整个模块 8 课时，从数据采集到模型测试，学生亲手跑通了全流程。

那我们交付的是三件事：

这才是完整的 AI 课堂设计 ~

七、AI时代的师生共学模式

做 AI 化课堂，目的从来不是取代老师。

是师生共学——老师引导学生思考、完成项目，从中掌握 AI 的用法。不能为了学 AI 而学 AI，要服务于精心的教学设计。

下一篇，我们会把课堂交还给老师——识别完成后，是知识卡片、药膳推荐、还是拟人化海报，那是老师最擅长的课堂设计。

整个系列三篇的脉络是：

上传自己的药材，用自己的模型识别，生成自己做好的知识卡片——那才是学生最终交得出去的东西。

我是刘旭，我们明天见。