Как использовать обучаемую машину от Google для удовольствия!

Google только что выпустил свою версию 2.0 for Teachable Machine, отличный инструмент для всех, кто может экспериментировать с машинным обучением в браузере.

Помимо стандартных примеров с изображениями и жестами веб-камеры, я искал что-то новое. Что-то большее! Решение вопроса, на который иногда довольно сложно ответить…

Этот парень бездомный или просто хипстер?

Я знаю, что в реальном мире нет необходимости в такой модели искусственного интеллекта ... но кого это волнует? Это интересный способ пару минут опробовать Teachable Machine! ;-)

Собирать обучающие данные

Чтобы получить несколько примеров изображений для обучения, мы можем использовать расширение под названием Fatkun Batch Download Image. Это расширение позволяет довольно легко загружать все изображения, полученные при поиске изображений в Google. Просто введите свой запрос, например Хипстерская борода и нажмите кнопку загрузки. Он создаст папку с вашим запросом внутри вашей папки загрузки.

Повторите этот шаг для некоторых запросов и поместите все загруженные изображения в две отдельные папки с названиями «hipster» и «homeless».

Этическое предубеждение

Помните, что мы, люди, обучающие нейронные сети, несем ответственность за соблюдение этических норм! Когда вы выполняете поиск по запросу «бездомный», появляется гораздо больше изображений с цветными людьми. Это печальная правда ... и может привести к непреднамеренным результатам, когда наша модель определяет класс на основе цвета кожи человека.

Вы тот, кто несет ответственность за пополнение обучающих данных и предотвращение этических предубеждений!

Подумайте об этих случаях и постарайтесь сбалансировать их с помощью поиска «бездомный белый мужчина», «хипстерская черная женщина» и т. Д.

Обучение модели

Чтобы обучить нашу модель, нам просто нужно перетащить все файлы из каждого класса в соответствующий класс в пользовательском интерфейсе. В моем случае было 430 изображений хипстеров и 276 изображений бездомных. Google сам сделает обрезку изображений.

В реальном проекте по науке о данных вы должны стараться по возможности избегать несбалансированного набора данных для ваших классов. Я все равно пошел с этим, потому что мне не терпелось посмотреть, как Google справится с этим и какова будет производительность.

Когда будете готовы, просто нажмите кнопку «Обучить модель» и дайте ей поработать! Это не должно занять больше пары минут, даже на старом оборудовании.

Статистика тренировок

В разделе моделей мы можем найти запись под названием «Под капотом». Это откроет некоторую полезную информацию, например точность для каждого класса и некоторые графики, как наша модель развивалась за период обучения в 50 эпох.

Для нашего небольшого набора данных мы смогли достичь довольно высокого показателя точности: 97% для хипстеров и 88% для бездомных. Неплохо для такого небольшого набора образцов!

Оцените результаты

А теперь самое интересное! Давайте посмотрим, что наша модель думает о некоторых изображениях, которые не были частью обучающей выборки. Ниже вы можете увидеть результаты для 6 примеров. Единственное, что было не совсем понятно, - это действительно Хагрид из Гарри Поттера. Я сам не уверен, как бы я его навесил ...

Вы можете скачать модель как файл .h5 после обучения, чтобы использовать ее в своих проектах. Было бы весело взять окончательную модель и посмотреть на каждый слой, какие части приводят к решению! Я оставлю этот шаг для амбициозного читателя.

Заключение

Мы смогли создать классификатор изображений с потрясающей точностью за пару минут! Спасибо умным ребятам из Google, которые БЕСПЛАТНО предоставляют удобный интерфейс для всех! Это позволяет легко экспериментировать, придумывать некоторые идеи и опробовать их, не тратя часы на построение моделей вручную, а затем на пару дней тренировки для достижения максимальной точности.

Что вы собираетесь построить с помощью машинного обучения?