AI Trainer Lite

3 步训练你的专属 AI 模型 · 无需 GPU · 无需机器学习背景

English · 快速开始 · 桌面客户端 · 使用文档

---

AI Trainer Lite 是一个开箱即用的 AI 模型训练工具，提供 桌面 GUI 客户端 和 Web 界面 两种使用方式，让任何人都能训练自己的 AI 模型——不需要写代码，不需要 GPU，不需要懂机器学习。

---

v2.1 新功能

• EXE 打包 — 一键打包为 Windows / macOS 桌面应用，无需安装 Python
• ONNX 导出 — 支持将所有类型模型导出为 ONNX 格式，跨平台部署
• Gradio 音频分类 — Web UI 新增音频分类和批量预测 Tab
• PyQt6 桌面客户端 — 原生窗口体验，深色主题，侧边栏导航
• 音频分类 — 基于 Mel 频谱图 + CNN，支持语音命令、环境音识别
• 批量预测 — 加载已训练模型，对新数据批量推理并导出
• 训练历史管理 — 查看、对比、清理所有已训练模型
• 实时训练曲线 — 嵌入式 Matplotlib 图表，训练过程可视化
• 算法对比图 — 表格 AutoML 自动生成算法性能对比柱状图

---

功能特性

功能	说明
📝 文本分类	基于 DistilBERT / BERT 微调，支持情感分析、主题分类、意图识别等
📊 表格数据 AutoML	自动尝试 7 种算法，找到最优模型，展示特征重要性
🖼️ 图像分类	迁移学习（MobileNet / ResNet / EfficientNet），支持数据增强
🎵 音频分类	Mel 频谱图 / MFCC + CNN，支持 WAV/MP3/FLAC/OGG
🔮 批量预测	加载模型对新数据批量推理，支持导出 CSV
📋 训练历史	管理已训练模型，查看详情，一键清理
📈 可视化	训练曲线、算法对比、特征重要性、混淆矩阵
💾 代码导出	自动生成推理代码，一键复制使用
⚡ CPU 友好	所有模型均可在 CPU 上运行，无 GPU 也能用

---

快速开始

安装

git clone https://github.com/sinpoce/ai-trainer-lite
cd ai-trainer-lite
pip install -r requirements.txt

桌面客户端（推荐）

python run_gui.py

Web 界面

python app.py
# 浏览器访问 http://localhost:7860

---

桌面客户端

v2.0 新增原生桌面 GUI 客户端，基于 PyQt6 构建：

• 仪表盘 — 系统概览、已训练模型统计、功能入口
• 文本分类 — 上传 CSV，选择模型，一键训练
• 表格 AutoML — 自动算法对比，实时柱状图
• 图像分类 — 文件夹浏览器，训练曲线实时绘制
• 音频分类 — 支持多种音频格式，Mel/MFCC 特征
• 批量预测 — 单条和批量推理，结果导出 CSV
• 训练历史 — 模型管理，查看/删除/对比
• 设置 — 默认参数、模型目录配置

---

使用文档

📝 文本分类

适合场景：情感分析、评论分类、邮件分类、新闻分类、意图识别...

数据格式（CSV）：

text,label
"这个产品非常好用！",positive
"质量太差了，完全不推荐",negative
"还可以，一般般",neutral

支持模型：

模型	语言	参数量	推荐场景
distilbert-base-uncased	英文	66M	速度优先
bert-base-uncased	英文	110M	精度优先
bert-base-chinese	中文	110M	中文文本
distilbert-base-multilingual-cased	多语言	135M	多语言
roberta-base	英文	125M	最高精度

📊 表格数据 AutoML

适合场景：房价预测、客户流失、疾病预测、销量预测...

自动尝试以下算法：

算法	分类	回归	特点
Logistic/Linear Regression	✓	✓	基准线
Random Forest	✓	✓	通常最优
Gradient Boosting	✓	✓	高精度
XGBoost	✓	✓	高效
SVM/SVR	✓	✓	小数据集
KNN	✓	-	简单
Naive Bayes	✓	-	文本

🖼️ 图像分类

文件夹结构：

my_dataset/
├── 猫/
│   ├── cat001.jpg
│   └── ...
├── 狗/
│   └── ...
└── 鸟/
    └── ...

架构	参数量	CPU 速度	精度
MobileNet V3 Small	1.5M	快	良好
EfficientNet B0	5.3M	中等	优秀
ResNet18	11M	中等	良好
VGG11	128M	慢	优秀

🎵 音频分类

文件夹结构：

audio_dataset/
├── 语音命令_开灯/
│   ├── sample001.wav
│   └── ...
├── 语音命令_关灯/
│   └── ...
└── 背景噪音/
    └── ...

支持格式：WAV, MP3, FLAC, OGG, M4A

特征类型：

• Mel Spectrogram — 适合通用音频分类
• MFCC — 适合语音识别

---

Python API

文本分类

import pandas as pd
from trainers import TextClassifierTrainer

df = pd.read_csv("my_data.csv")
trainer = TextClassifierTrainer(model_name="bert-base-chinese", epochs=3)
result = trainer.train(df, text_col="text", label_col="label")
print(f"准确率: {result['accuracy']:.2%}")

表格数据

from trainers import TabularTrainer

df = pd.read_csv("my_data.csv")
trainer = TabularTrainer(task_type="classification")
result = trainer.train(df, target_col="target")
print(f"最佳: {result['best_algorithm']} ({result['best_score']:.4f})")

图像分类

from trainers import ImageClassifierTrainer

trainer = ImageClassifierTrainer(epochs=10)
result = trainer.train(folder="./my_dataset")
print(f"准确率: {result['best_acc']:.2%}")

音频分类

from trainers.audio_trainer import AudioClassifierTrainer

trainer = AudioClassifierTrainer(feature_type="mel_spectrogram", epochs=20)
result = trainer.train(folder="./audio_dataset")
print(f"准确率: {result['best_acc']:.2%}")

---

项目结构

ai-trainer-lite/
├── run_gui.py              # 桌面 GUI 入口
├── app.py                  # Web UI 入口 (Gradio)
├── build.py                # 一键打包脚本
├── ai_trainer.spec         # PyInstaller 配置
├── gui/                    # PyQt6 桌面客户端
│   ├── main_window.py      # 主窗口
│   ├── styles.py           # 深色主题样式表
│   ├── pages/              # 各功能页面
│   │   ├── dashboard.py    # 仪表盘
│   │   ├── text_page.py    # 文本分类
│   │   ├── tabular_page.py # 表格 AutoML
│   │   ├── image_page.py   # 图像分类
│   │   ├── audio_page.py   # 音频分类
│   │   ├── predict_page.py # 批量预测
│   │   ├── history_page.py # 训练历史
│   │   └── settings_page.py# 设置
│   └── widgets/            # 可复用组件
│       ├── sidebar.py      # 侧边栏导航
│       └── chart_widget.py # 图表组件
├── trainers/               # 训练器核心
│   ├── text_trainer.py     # 文本分类 (BERT)
│   ├── tabular_trainer.py  # 表格 AutoML
│   ├── image_trainer.py    # 图像分类 (CNN)
│   └── audio_trainer.py    # 音频分类 (Mel+CNN)
├── utils/                  # 工具模块
│   └── export.py           # ONNX 模型导出
├── scripts/                # 打包脚本
│   ├── build_exe.bat       # Windows 打包
│   └── build_mac.sh        # macOS 打包
├── examples/               # 示例数据集
│   ├── sentiment.csv       # 情感分析示例
│   └── iris.csv            # 鸢尾花分类示例
├── requirements.txt        # 运行依赖
└── requirements-build.txt  # 构建依赖

---

系统要求

• Python 3.9+
• RAM：4GB+（文本模型需要 4-8GB）
• 存储空间：5GB+（模型权重）
• GPU：可选（有 GPU 训练更快，无 GPU 也能运行）

---

打包为 EXE

Windows

# 方式一：运行打包脚本
scripts\build_exe.bat

# 方式二：命令行
pip install pyinstaller
python build.py

macOS

bash scripts/build_mac.sh

打包后的应用位于 dist/AI-Trainer-Lite/ 目录。

---

ONNX 导出

将训练好的模型导出为 ONNX 格式，支持在 C++ / Java / JavaScript / C# 等环境中运行推理：

# 安装 ONNX 依赖
pip install onnx onnxruntime skl2onnx

from utils.export import auto_export

# 自动检测模型类型并导出
onnx_path = auto_export("./models/my-model")
print(f"ONNX 模型已保存至: {onnx_path}")

支持导出：

• 文本分类模型（BERT/DistilBERT → ONNX）
• 表格数据模型（scikit-learn → ONNX，需要 skl2onnx）
• 图像分类模型（PyTorch → ONNX）
• 音频分类模型（PyTorch → ONNX）

---

贡献

欢迎 PR！可以添加：

• 新的模型架构支持
• 更多示例数据集
• 模型量化/压缩
• 更多训练任务（目标检测、NER...）

---

许可证

MIT License

---

如果这个项目对你有帮助，请点 Star 支持！

GitHub Issues · Discussions