Teachable Machine：瀏覽器玩轉機器學習 影像/語音/姿態識別
- 簡介：
- 先上圖：
- 快速上手：
- 新建專案
- 準備資料
- Model訓練
- Model運行
- Model匯出
- 對于語音和姿態識別
- 原始碼Github：
- 博主熱門文章推薦：
簡介：
Google Creative Lab 開發的 Teachable Machine 是Google提供的通過瀏覽器進行Machine Learning體驗的專案，不需要編程，完全免費開源，只需要簡單頁面操作即可實作豐富的影像、語音、姿態識別的小專案，
通過Creative Lab ，小學生都可以實作一個機器學習專案，
使用Teachable Machine來簡單學習、快速制作一些小機器學習Demo還是不錯的，，，
Teachable Machine是用TensorFlowJS（Tensorflow in Javascript）開發的，以實作在Web瀏覽器上 對機器學習模型的訓練、運行，，，
演算法模型上，Teachable Machine使用了Transfer Learning (遷移學習)，預訓練模型用的是 :
-
Image圖片/Pose姿態識別：MobileNet
-
Voice語音識別：Speech Command Recognizer
先上圖：
快速上手：
使用非常簡單，無需任何編程，直接通過瀏覽器操作 獲取資料、訓練、匯出等操作，，
新建專案
瀏覽器（推薦Chrome）打開 https://teachablemachine.withgoogle.com/
點擊GetStarted：
選擇New Project，支持圖片、音頻、姿勢識別
這里以影像project舉例：
準備資料
直接點擊添加目標Class名稱和訓練資料，
先添加影像類別class（lable）的名稱
然后通過攝像頭采集訓練資料：
點擊WebCam（WebCamera）打開攝像頭后，一直點住Hold to Record按鈕，攝像頭就會不斷采集圖片， 直到感覺圖片夠用了就可以松開，，，
例如石頭剪刀布識別：
Model訓練
圖片資料準備好后，點擊Train Model 既開始Traning，，
在Advanced選單里可以調整訓練引數：支持Epoch/BatchSize 和學習率的調整
訓練完成后可以通過 under the hood查看訓練程序資料，如Accuracy/Loss曲線、Confusion Matrix混淆矩陣等
Model運行
Training完成后，通過Preview打開攝像頭，就可以測驗下剛訓練的模型了：
非常簡單吧~
Model匯出
如果感覺模型效果不錯，可以直接匯出模型，放到自己的專案中使用：
支持匯出為TensorFlow/TensorFlow.js/Tensorflow Lite模型
對于語音和姿態識別
和圖片一樣，對于語音和姿態識別，也是通過電腦的Mic和Camera獲取語音/視頻資料，進行訓練和運行：
原始碼Github：
可以在github上查看相關原始碼和更多介紹：https://github.com/googlecreativelab/teachable-machine
博主熱門文章推薦：
一篇讀懂系列：
- 一篇讀懂無線充電技術（附方案選型及原理分析）
- 一篇讀懂：Android/iOS手機如何通過音頻介面（耳機孔）與外設通信
- 一篇讀懂：Android手機如何通過USB介面與外設通信（附原理分析及方案選型）
LoRa Mesh系列：
- LoRa學習：LoRa關鍵引數（擴頻因子，編碼率，帶寬）的設定及解釋
- LoRa學習：信道占用檢測原理（CAD）
- LoRa/FSK 無線頻譜波形分析（頻譜分析儀測驗LoRa/FSK帶寬、功率、頻率誤差等）
網路安全系列：
- ATECC508A芯片開發筆記（一）：初識加密芯片
- SHA/HMAC/AES-CBC/CTR 演算法執行效率及RAM消耗 測驗結果
- 常見加密/簽名/哈希演算法性能比較 (多平臺 AES/DES, DH, ECDSA, RSA等)
- AES加解密效率測驗（純軟體AES128/256）–以嵌入式Cortex-M0與M3 平臺為例
嵌入式開發系列：
- 嵌入式學習中較好的練手專案和課題整理（附代碼資料、學習視頻和嵌入式學習規劃）
- IAR除錯使用技巧匯總：資料斷點、CallStack、設定堆疊、查看堆疊使用和堆疊深度、Memory、Set Next Statement等
- Linux內核編譯配置（Menuconfig）、制作檔案系統 詳細步驟
- Android底層呼叫C代碼（JNI實作）
- 樹莓派到手第一步：上電啟動、安裝中文字體、虛擬鍵盤、開啟SSH等
- Android/Linux設備有線&無線 雙網共存（同時上內、外網）
AI / 機器學習系列：
- AI: 機器學習必須懂的幾個術語：Lable、Feature、Model…
- AI：卷積神經網路CNN 解決過擬合的方法 （Overcome Overfitting）
- AI: 什么是機器學習的資料清洗（Data Cleaning）
- AI: 機器學習的模型是如何訓練的？（在試錯中學習）
- 資料可視化：TensorboardX安裝及使用（安裝測驗+實體演示）
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/316067.html
標籤：AI