In de inleidende Bookwidget heb je kennis gemaakt met de verschillende soorten AI. Nu is het tijd om zelf te gaan experimenteren met het trainen van een 'model'. Een model is een getraind algoritme dat je kan gebruiken om beelden, geluiden, poses, trillingen... te herkennen.
In dit project gaan we vooral werken met het herkennen van beelden.
Hiervoor maken we gebruik van Teachable Machine. Dat is een project van Google om machine learning en het trainen van een model zo eenvoudig mogelijk te maken.
De site werkt het best op de Google Chrome browser.
Ga naar de site van Teachable Machine en klik op 'Get started'. Je komt dan op een pagina met 3 keuzemogelijkheden:
Image Project: hiermee kan je een model trainen om bepaalde beelden (voorwerpen, dieren, personen of...) te herkennen.
Audio Project: hiermee kan je een model trainen om korte geluiden te herkennen
Pose Project: hiermee kan je een model trainen om bepaalde houdingen te herkennen.
Alles is erg gebruiksvriendelijk en helder, dus je kan zeker zelf al eens gaan verkennen. Wij doen hier een test met een 'Image Project'.
Lees zeker ook nog de stappen hieronder, zodat je alle mogelijkheden kent en begrijpt.
De beginpagina van Teachable Machine:
De werkomgeving voor een 'Image project':
In het voorbeeld hiernaast zie je een experiment waar we een model trainen om 'Schaar of steen' te herkennen zoals die worden uitgebeeld in het spel schaar, steen, papier.
1) Classes benoemen: Hiermee geven we aan van welke data (in dit geval beelden) we willen verzamelen. Klik op 'Image Project' en je krijgt het schema hiernaast te zien. Bovenaan kan je ingeven welke 'Class' je wil maken. Noteer in de eerste 'schaar' en in de tweede 'steen'. Onderaan is nog een grijze ruimte 'Add a class'. Daar kan je op klikken wanneer je meer dan twee classes wil maken.
2) Een data-set maken: Klik dan in de eerste class 'Schaar' op webcam. Je kan nu je webcam gebruiken om je de beelden voor je data-set te maken. Ga nu vanuit uiteenlopende hoeken beelden van handen maken die de 'schaar' uitbeelden. Maak gerust een 300 foto's.
Nu doe je hetzelfde voor de class 'Steen'. Maak een reeks beelden met handen die de steen van maken.
Je kan ook de Upload-knop gebruiken i.p.v. de Webcam-knop wanneer je een data-set met een vooraf verzamelde reeks beelden wil gebruiken.
3) Het model trainen: Nu we onze data-sets hebben kunnen we ons model gaan trainen. Bij Teachable Machine moet je hiervoor enkel op de knop 'Train Model' klikken en even wachten. Het programma gaat nu in de beelden op zoek naar patronen en maakt het model dat gebruikt kan worden in je project. Eens je model getraind is kan je gaan testen of je je model goed getraind hebt en eventueel je data-set nog aanpassen. Vergeet dan niet je model opnieuw te trainen.
4) Je model testen: Nu kunnen we gaan testen of ons model geschikt is om het te gebruiken. We zijn gewoon dat computerprogramma's een duidelijk en vaststaand resultaat geven, maar bij een getraind model is dat niet steeds het geval. Het model maakt eigenlijk een schatting hoe groot de kans is dat een nieuw beeld (dat het nog niet gezien heeft) tot de ene of de andere class behoort.
5) Je model opslaan: Vergeet je project niet op te slaan! Wanneer je je venster sluit ben je uit je project en de link van je project werkt enkel voor het getrainde model. Klik links op de drie streepjes naast 'Teachable Machine' en open het menu.
Je kan best je model bewaren als een bestand: 'Download project as file', maar vergeet het daarna niet op je USB-stick te zetten.
Kijk even onder dit deel als het niet meteen duidelijk is.
6) Je model exporteren: (deze stap is voorlopig nog niet nodig): In de afbeeldingen hiernaast kan je zien dat ons model vrij goed lijkt te werken. Nu kunnen we het eventueel gaan gebruiken in een eigen project. Hiervoor kan je klikken op de knop 'Export Model' in het 'Preview' venster. Je krijgt dan een keuze-menu.
We blijven in het eerste tabblad: Tensorflow.js. Hier klik je eerst op 'Upload (Shareable link)', of na een aanpassing op 'Update my cloud model'. Ons model is nu online te gebruiken via de link die daaronder in het blauw staat.
1) De classes benoemen:
2) Je data-set maken:
3) Je model trainen:
4) Je model testen:
5) Je model opslaan:
6) Je model exporteren: