Оглавление:-

  • Введение
  • Учебник по обнаружению масок
  • Сбор данных
  • Модель обучения
  • Настройка параметров
  • Оценка модели
  • Развертывание модели
  • Заключение

Введение

Это пошаговое руководство для начинающих о том, как создать модель обнаружения масок с помощью Teachable Machine и развернуть ее с помощью TeachableHub за считанные минуты.

Обучаемая машина — это бесплатный веб-инструмент, который позволяет быстро и легко создавать модели машинного обучения. Это помогает создавать модели ML, даже если у вас нет знаний в области кодирования.

Итак, давайте обсудим, какие модели можно создавать с помощью этого инструмента: Изображения — мы можем создавать модели для классификации изображений.

  • Звуки — мы можем создавать модели для идентификации различных звуков.
  • Позы — определите различные позы тела.

В следующих строках я расскажу вам, как заставить модель машинного обучения определять, является ли человек в маске или нет, используя изображения.

Учебник по обнаружению масок

Сбор данных

Соберите набор данных. Теперь, чтобы обучить модель, нам нужно собрать данные.

Данные можно собирать из различных источников, таких как Kaggle, UCI Machine Learning Repository и многих других сайтов. Я предпочитаю KAGGLE, поскольку у него большое сообщество, а предоставляемые данные реальны и доступны в различных размерах.

Вы можете обратиться здесь для получения дополнительной информации о сайтах, которые предоставляют наборы данных.

Образцы изображений для моей модели я собрал здесь.

Если вы хотите загрузить изображения, нажмите кнопку загрузки, после чего появится диалоговое окно, а затем выберите все изображения, которые вы хотите загрузить.

В противном случае, если вы хотите загружать изображения через веб-камеру ПК, нажмите кнопку "Веб-камера".

Теперь нажмите кнопку "Hold to Record", и веб-камера вашего устройства откроется, и вы сможете загрузить столько изображений, сколько захотите.

Я загрузил свои данные через свой компьютер.

Тренировочные данные

Решите, сколько классов вы хотите использовать в своей модели.

По умолчанию предоставляются 2 класса «Класс1» и «Класс2», но вы можете добавить дополнительные классы, нажав кнопку «Добавить класс». Это полностью зависит от того, какую модель вы делаете. Если вы строите модель, которая обнаруживает множество объектов, вам необходимо соответственно добавить много классов. Например, если вы хотите различать собаку, кошку, птицу, белку, вам нужно создать четыре класса с именами "СОБАКА", "КОШКА" , «ПТИЦА», «БЕЛКА».

Теперь, если вы хотите изменить имя класса, нажмите на этот конкретный класс и отредактируйте его соответствующим образом.

Так как моя модель должна была предсказать, носит ли человек маску или нет, я решил использовать двакласса с именами - "MASK" и "NO MASK. сильный>».

Настройка параметров

После загрузки данных следует обучающая часть, а также важная часть. Мы стараемся создать модель с максимальной точностью. Для этого мы делаем настройку параметров. Здесь нам нужно настроить эпохи, размер пакета, скорость обучения.

Я решил оставить для параметров установленные значения по умолчанию. Причина, по которой я сделал это, заключалась в том, что я загрузил большой набор данных, поэтому, если я увеличу размер пакета и эпохи, то для вычисления и моего набора данных потребуется огромное количество времени. был простым и не сложным, поэтому огромного количества тренировок не требовалось. Теперь, что касается скорости обучения, я также решил оставить значение по умолчанию, так как значение ниже этого сделает мою модель медленной в обучении, а большое значение приведет к плохой точности.

Теперь, после настройки параметров, нажмите "ОБУЧАЕМАЯ МОДЕЛЬ". После этого начнется обучение.

ПРИМЕЧАНИЕ: во время этого процесса не закрывайте вкладку, иначе вы можете потерять все данные и вам придется начинать сначала!

Обратите внимание, что модели обучения требуют времени и зависят от объема загружаемых данных.

ОЦЕНКА МОДЕЛИ

После успешного обучения модели следует оценить модель, является ли ее предсказание правильным или нет для конкретной выборки.

Можно загрузить, открыв свою веб-камеру. Для этого им нужно выбрать один из двух вариантов. Вариант 1 — загрузка через веб-камеру, а Вариант 2 — загрузка изображения со своего ПК.

Я загрузил его через свой компьютер.

Нажмите на файл и выберите способ загрузки данных для оценки.

Я загрузил изображение со своего ПК, и он предсказал его правильно.

Развертывание модели

Экспортируйте свою модель, нажав кнопку Экспортировать модель как нативную модель TensorFlow и преобразовав ее в модель Keras.h5. Я выбрал этот формат, поскольку это было требованием TEACHABLE HUB, а также это простой подход, поскольку нам нужно будет просто загрузить то, что мы скачали с Teachable Machine.

Нажмите "Загрузить мою модель", и модель будет загружена в формате .zip. Разархивируйте его, и вы получите два файла с именами "keras_model.h5" и "labels.txt".

Перед развертыванием нашей модели давайте узнаем немного больше о самом процессе развертывания.

Развертывание — это метод, с помощью которого вы интегрируете модель машинного обучения в существующую производственную среду для принятия практических бизнес-решений на основе данных. Это один из последних этапов жизненного цикла машинного обучения и может быть одним из самых громоздких.

Да, это звучит громоздко, но у нас есть Teachable Hub, что делает развертывание возможным за считанные минуты и не требует каких-либо знаний в области программирования.

  • TeachableHub – это полностью управляемая платформа, объединяющая команды машинного обучения для развертывания, обслуживания и обмена эффективными моделями в виде общедоступных или частных API-интерфейсов (также известных как Teachables) с НУЛЕВЫМ количеством операций MLOps, плавной масштабируемостью и отсутствием дорогостоящей инфраструктуры.

Перейдите в Teachable Hub и зарегистрируйтесь.

Затем после регистрации нажмите Создать Teachable.

Поскольку я обучал свою модель с помощью «Обучаемой машины»,

поэтому я выберу «Обучаемую машину». Другая причина, по которой я выбрал этот вариант, заключается в том, что теперь мне не нужно будет писать код для развертывания, и всего за несколько кликов я смогу развернуть свой режимl.

Если кто-то обучил свою модель с помощью scikit-learn , он может использовать Sklearn или, если он обучил, с помощью Ludwig > тогда они могут выбрать Людвиг.

Дайте свое обучаемое имя и выберите «Обучаемая машина». Теперь нажмите «Создать обучаемый».

Нажмите Создать новое развертывание. Появится диалоговое окно.

Теперь заполните указанные выше поля и загрузите "keras_model.h5" и "labels.txt".

Нажмите «Развернуть», и вы успешно развернете свою модель.

Заключение

Я надеюсь, что это руководство будет интересным и познавательным для всех, кто только начинает свой путь машинного обучения. Обучаемый концентратор и Обучаемая машина делают машинное обучение доступным для всех, предоставляя способ легко обучать и развертывать модели за считанные минуты, а не дни или месяцы.

Узнайте больше о них, а затем создайте и разверните свою первую модель машинного обучения в течение минут.

Полезные ресурсы:

Ресурсы и примеры TeachableHub

Список потрясающих обучаемых машин.