Ваша первая модель искусственного интеллекта, бесплатно и без кода!
Обучение модели искусственного интеллекта звучит как очень сложная вещь, не так ли? Не заблуждайтесь, как правило, это сложная деятельность, требующая знаний в области программирования, математики, статистики и т. д. Нам также понадобится хороший набор данных с необходимыми цифровыми активами как для обучения, так и для проверки модели. И, конечно же, мы также должны иметь обширный набор инструментов и необходимое оборудование для их использования. Тем не менее, если вы не профессионал в этом секторе, для простых смертных все звучит слишком сложно.
Облачные сервисы помогают сократить этот список требований, а точнее, позволяют перенести часть из них в облако (за небольшую цену, разумеется). Amazon AWS, Microsoft Azure и Google Cloud предлагают наборы инструментов и ресурсов, которые немного упрощают работу. Однако все же необходимо иметь широкую базу знаний, а также необходимый бюджет для покрытия расходов на использование таких облачных сервисов. О высоком счете речь не идет, если ограничиваться проведением личных тестов, но, как правило, это не бесплатно.
Однако есть некоторые сервисы, которые позволяют нам сделать первые шаги в этой области, некоторые из них бесплатны, а также есть варианты нулевой код, то есть нам не придется писать ни строчки кода для их использования. Это, конечно, не даст нам глубокого изучения того, как работает модель, но позволит нам установить первый контакт, который может оказаться наиболее полезным. Если вы хотите пройти этот первый опыт, то мы расскажем вам, как обучить вашу первую модель искусственного интеллекта без использования кода и совершенно бесплатно.
Обучите свою первую модель ИИ с помощью Teachable Machine
Как я уже говорил, мы собираемся использовать бесплатный сервис от Google, с помощью которого мы можем обучать модель, используя обучение с учителем (если вы не знаете, что это значит, вы можете увидеть это здесь). Teachable Machine — это модель, предназначенная для распознавания и классификации изображений, звуков и поз тела, а для обучения мы можем использовать наборы данных или собственную веб-камеру.
В этом примере мы собираемся выполнить очень распространенное упражнение — классификатор кошек и собак. Поэтому нам нужен хороший набор данных с изображениями обоих видов питомцев. Но не волнуйтесь, вам не придется часами искать нужные изображения, так как мы можем найти множество уже подготовленных и готовых к загрузке наборов данных в Интернете. Для этого примера мы будем использовать набор данных Cat & Dogs де Арш Анвар, который вы можете бесплатно скачать с Kaggle. Как только файл скачается, разархивируйте его, и вы увидите, что он состоит из нескольких папок с множеством изображений кошек и собак:
Теперь перейдите к Teachable Machine через эта ссылка и на открывшейся странице нажмите на кнопку «Первые шаги». Это приведет вас на страницу, где вам нужно будет выбрать тип контента, который вы хотите, чтобы модель знала, как классифицировать. В этом случае вам нужно будет выбрать «Проект изображения», а затем выбрать «Стандартная модель изображения». Это приведет вас к настройкам модели:
Классы (Class), как вы можете сделать, представляют собой разные варианты классификации, в данном случае «кошка» и «собака». Хотя это не повлияет на работу модели, вы можете переименовать их, чтобы лучше идентифицировать и сделать вывод ИИ более четким, когда он запущен и работает. Для этого нажмите на значок в виде карандаша, который появляется справа от каждого имени, и поставьте «Кошек» в одно имя, а «Собаку» — в другое.
Следующее, как вы можете себе представить, начать загружать изображения для обучения. Теперь на этом этапе вы должны принять во внимание, что Teachable Machine будет использовать ресурсы вашего ПК для обработки обучения. Что это значит? Что ж, если вы загрузите тысячи изображений, процесс может занять вечность. Для первого теста вы можете начать с использования ста или двухсот изображений из каждой категории. Если вы убедитесь, что ваша система обрабатывает их в разумные сроки, вы можете повторить процесс с большим количеством изображений каждого типа. Очевидно, что чем больше изображений вы используете в обучении, тем выше вероятность успеха модели.
Прояснив этот момент, пойдем с изображениями. Нажмите кнопку «Загрузить» первого из двух классов и перетащите нужные изображения из папки dataset/training_set/cats (если вы ставите сначала котят, очевидно, иначе вам придется перейти в подпапку «собаки»). Затем повторите этот процесс со вторым классом и соответствующими ему изображениями. Результат должен быть примерно таким:
В этом примере мы используем только два класса для простоты, но, как вы видите, вы можете добавить больше, если хотите, чтобы модель ИИ могла различать больше типов элементов. Итак, когда все настроено, пришло время заставить модель учиться на размеченных данных в наборе данных. Для этого нажмите на кнопку «Подготовить модель», оставьте эту вкладку открытой и не используйте компьютер для каких-либо других целей во время процесса.
Во время процесса более чем вероятно, что это сообщение браузера будет отображаться:
Если вы нажмете «Подождать», вскоре после этого он снова появится, поэтому лучше всего оставить его там, так как он исчезнет, когда этап подготовки закончится. Разумеется, не меняйте вкладку или окно браузера в операционной системе и ни при каких обстоятельствах не нажимайте «Выйти со страницы». Через несколько минут (время будет зависеть от количества выбранных вами изображений и технических характеристик вашего ПК) начнется обучение, и вы сможете увидеть его прогресс вместе с затраченным временем. Когда процесс завершится, страница будет выглядеть так:
Итак, настал тот момент, которого вы наверняка ждали, давайте протестируем вашу модель! В разделе справа убедитесь, что селектор ввода активирован, щелкните стрелку, которая появляется справа от веб-камеры, и выберите «Файл». Затем поле с изображением веб-камеры изменится, чтобы показать раздел для загрузки файлов, который вы можете использовать так же, как и для загрузки изображений для разных классов. Для этого теста используются вложенные папки «кошки» и «собаки» каталога «Test_sets». Мы используем разные папки, чтобы не использовать одни и те же изображения в процессе обучения и при проверке.
Когда вы загружаете изображение, оно будет отображаться в этом разделе, и под ним вы сможете увидеть процентное значение изображения для каждого из определенных классов, например
Повторите этот процесс столько раз, сколько хотите, чтобы убедиться, что модель работает правильно, или, если вы обнаружите ошибки, вы можете переобучить ее с большим набором изображений.
!!Поздравляю!! Вы обучили свою первую модель искусственного интеллекта. Как вы можете видеть вверху, вы можете экспортировать только что созданную модель. И что вы можете с этим сделать? Мы расскажем вам об этом в ближайшее время, в следующей статье.
