UI2Code智能生成Flutter代码--总体设计篇

摘要： UI2CODE项目是闲鱼技术团队研发的一款经过机器视觉理解+AI人工智能将UI视觉图片转化为端侧代码的工具。

背景:

随着移动互联网时代的到来，人类的科学技术日新月异。然而软件工程师们依旧须要花费大量精力在重复的还原UI视觉稿的工做。
UI视觉研发拥有明显的特征：组件，位置和布局，符合机器学习处理范畴。可否经过机器视觉和深度学习等手段自动生成UI界面代码，来解放重复劳动力，成为咱们关注的方向。

UI2CODE简单介绍：

UI2CODE项目是闲鱼技术团队研发的一款经过机器视觉理解+AI人工智能将UI视觉图片转化为端侧代码的工具。

2018年3月UI2CODE开始启动技术可行性预研工做，到目前为止，经历了3次总体方案的重构（或者重写）。咱们参考了大量的利用机器学习生成代码的方案，但都没法达到商用指标，UI2CODE的主要思想是将UI研发特征分而治之，避免鸡蛋放在一个篮子里。咱们着重关注如下3个问题的解法：

视觉稿还原精度：咱们的设计师甚至没法容忍1像素的位置误差；
准确率：机器学习还处于几率学范畴，但咱们须要100%的准确率；
易维护性：工程师们看的懂，改的动是起点，合理的布局结构才能保障界面流畅运行。

UI2CODE运行效果：

UI2CODE插件化运行效果，以下视频：进过几轮重构，最终咱们定义UI2CODE主要解决feeds流的卡片自动生成，固然它也能够对页面级自动生成。

视频地址：https://yunqivedio.alicdn.com/od/mm4Te1551157852340.mov

架构设计：

简化分析下UI2CODE的流程：

大致分为4个步骤:

1.经过机器视觉技术，从视觉稿提取GUI元素
2.经过深度学习技术，识别GUI元素类型
3.经过递归神经网络技术，生成DSL
4.经过语法树模板匹配，生成flutter代码

版面分析

版面分析只作一件事：切图。

图片切割效果直接决定UI2CODE输出结果的准确率。咱们拿白色背景的简单UI来举例：

上图是一个白色背景的UI，咱们将图片读入内存，进行二值化处理：

def image_to_matrix(filename):
    im = Image.open(filename)
    width, height = im.size
    im = im.convert("L")
    matrix = np.asarray(im)
    return matrix, width, height

获得一个二维矩阵：将白色背景的值转化为0.

 

像切西瓜同样，咱们只须要5刀，就能够将GUI元素分离，切隔方法多种多样：（下面是横切的代码片断，实际切割逻辑稍微复杂些，基本是递归过程）

def cut_by_col(cut_num, _im_mask):
    zero_start = None
    zero_end = None
    end_range = len(_im_mask)
    for x in range(0, end_range):
        im = _im_mask[x]
        if len(np.where(im==0)[0]) == len(im):
            if zero_start == None:
                zero_start = x
        elif zero_start != None and zero_end == None:
            zero_end = x
        if zero_start != None and zero_end != None:
            start = zero_start
            if start > 0:
                cut_num.append(start)
            zero_start = None
            zero_end = None
        if x == end_range-1 and zero_start != None and zero_end == None and zero_start > 0:
            zero_end = x
            start = zero_start
            if start > 0:
                cut_num.append(start)
            zero_start = None
            zero_end = None

客户端的UI基本都是纵向流式布局，咱们能够先横切在纵切。

 

将切割点的x，y轴坐标记录下来，它将是处理组件位置关系的核心。切割完成后，咱们获取到2组数据：6个GUI元素图片和对应的坐标系记录。后续步骤经过分类神经网络进行组件识别。

在实际生产过程当中，版面分析会复杂些，主要是在处理复杂背景方面。

 

关注咱们的技术公众号，咱们后续会详细分解。

组件识别：

进行组件识别前咱们须要收集一些组件样本进行训练，使用Tensorflow提供的CNN模型和SSD模型等进行增量训练。

UI2CODE对GUI进行了几十种类型分类：IMAGE， TEXT，SHAP/BUTTON，ICON，PRICE等等，分别归类为UI组件，CI组件和BI组件。

UI组件，主要针对flutter原生的组件进行分类。
CI组件，主要针对闲鱼自定义UIKIT进行分类。
BI组件，主要针对具有必定业务意义的feed卡片进行分类。

组件的识别须要反复的经过全局特征反馈来纠正，一般会采用SSD+CNN协同工做，好比下图的红色“全新“shape，这该图例中是richtext的部分，一样的shape样式可能属于button或者icon。

属性提取：

这块的技术点比较杂，概括起来须要处理3部份内容：shape轮廓， 字体属性和组件的宽高。

完成属性提取，基本上咱们完成全部GUI信息的提取。生成的GUI DSL以下图：

经过这些数据咱们就能够进行布局分析了。
其中文字属性的提取最为复杂，后续咱们会专门介绍。

布局分析：

前期咱们采用4层LSTM网络进行训练学习，因为样本量比较小，咱们改成规则实现。规则实现也比较简单，咱们在第一步切图时5刀切割的顺序就是row和col。缺点是布局比较死板，须要结合RNN进行前置反馈。

视频地址：https://yunqivedio.alicdn.com/od/7DD7w1551157938106.mp4

视频中展现的是经过4层LSTM预测布局结构的效果，UI的布局结构就像房屋的框架，建造完成后经过GUI的属性进行精装修就完成了一个UI图层的代码还原工做。

代码生成及插件化：

机器学习本质上来讲还属于几率学范畴，自动生成的代码须要很是高的还原度和100%的准确率，几率注定UI2CODE很难达到100%的准确率，因此咱们须要提供一个可编辑工具，由开发者经过工具可以快速理解UI的布局结构和修改布局结构。

咱们将UI2CODE生成的DSL TREE进行代码模板化匹配，代码模板的内容由资深的flutter技术专家来定义，它表明目前咱们发现的最优代码实现方案。

代码模板中会引入一些标签，由Intellij plugin来检索flutter工程中是否存在对应的自定义UIKIT，并进行替换，提升代码的复用度。

整个插件化工程须要提供自定义UIKIT的检索，替换和校验工做，以及DSL Tree的建立，修改，图示等工做，整体来讲，更像ERP系统，花费一些时间可以作的更加完美。

小结：

本篇咱们简单介绍了UI2CODE的设计思路，咱们将整个工程结构分为5个部分，其中4块内容核心处理机器视觉的问题，经过机器学习将它们连接起来。代码的线上发布是很是严格的事情，而单纯的机器学习方式，很难达到咱们要求，因此咱们选择以机器视觉理解为主，机器学习为辅的方式，构建整个UI2CODE工程体系。咱们将持续关注AI技术，来打造一个完美的UI2CODE工具。

 

原文连接 更多技术干货 请关注阿里云云栖社区微信号 ：yunqiinsight