MediaPipe Model Maker, mevcut makine öğrenimi (ML) modellerini verileriniz ve uygulamalarınızla çalışacak şekilde özelleştirmenizi sağlayan bir araçtır. Bu aracı, yeni bir makine öğrenimi modeli derleyip eğitmeye daha hızlı bir alternatif olarak kullanabilirsiniz. Model Maker, öğrenme aktarma adı verilen ve mevcut modelleri yeni verilerle yeniden eğiten bir makine öğrenimi eğitimi tekniği kullanır. Bu teknik, mevcut model mantığının önemli bir bölümünü yeniden kullanır. Bu nedenle, eğitim yeni bir modeli eğitmekten daha az zaman alır ve daha az veriyle yapılabilir.
Model Maker; nesne algılama, hareket tanıma veya resimler, metin ya da ses verileri için sınıflandırıcılar gibi çeşitli modellerde çalışır. Araç, verileri belirli kategorilere göre sınıflandıran modelin son birkaç katmanını kaldırarak modelleri yeniden eğitir ve sağladığınız yeni verileri kullanarak bu katmanları yeniden oluşturur. Model Maker, doğruluğu ve performansı artırmak için model katmanlarına ince ayar yapma seçeneklerini de destekler.
Şekil 1. Model Maker, mevcut bir modelin son katmanlarını kaldırır ve bunları yeni verilerle yeniden oluşturur.
Model Maker'ı kullanarak bir modeli yeniden eğitmek genellikle modeli küçültür. Özellikle de yeni modeli, daha az şeyi tanıması için yeniden eğitirseniz. Yani, Model Maker'ı kullanarak uygulamanız için daha iyi çalışan, daha odaklı modeller oluşturabilirsiniz. Bu araç, niceliklendirme gibi makine öğrenimi tekniklerini uygulamanıza da yardımcı olabilir. Böylece modeliniz daha az kaynak kullanır ve daha verimli çalışır.
Eğitim verisi gereksinimleri
Model Maker'ı, yeni bir modeli eğitmeye kıyasla çok daha az veriye sahip modelleri yeniden eğitmek için kullanabilirsiniz. Bir modeli yeni verilerle yeniden eğitirken eğitilen her sınıf için yaklaşık 100 veri örneğine sahip olmayı hedeflemelisiniz. Örneğin, kedileri, köpekleri ve papağanları tanımak için bir görüntü sınıflandırma modelini yeniden eğitiyorsanız yaklaşık 100 kedi, 100 köpek ve 100 papağan resminiz olmalıdır. Uygulamanıza bağlı olarak, kullanışlı bir modeli kategori başına daha da az veri kullanarak yeniden eğitebilirsiniz. Ancak daha büyük bir veri kümesi genellikle modelinizin doğruluğunu artırır. Eğitim veri kümenizi oluştururken eğitim verilerinizin yeniden eğitim sürecinde, genellikle %80'i eğitim, %10'u test ve kalan %10'u doğrulama için bölüneceğini unutmayın.
Özelleştirmeyle ilgili sınırlamalar
Yeniden eğitim süreci önceki sınıflandırma katmanlarını kaldırdığı için sonuçta ortaya çıkan model yalnızca yeni verilerde sağlanan öğeleri veya sınıfları tanıyabilir. Eski model 30 farklı öğe sınıfını tanıyacak şekilde eğitildiyse ve Model Maker'ı 10 farklı öğeye ilişkin verilerle yeniden eğitmek için kullanırsanız ortaya çıkan model yalnızca bu 10 yeni öğeyi tanıyabilir.
Model Maker ile bir modeli yeniden eğitmek, orijinal makine öğrenimi modelinin çözümlenmek üzere tasarlandığı hedefi değiştiremez (bu işler benzer olsa bile). Örneğin, söz konusu görevlerde bazı benzerlikler olsa bile bir görüntü sınıflandırma modelinin nesne algılamasını gerçekleştirmesini sağlamak için aracı kullanamazsınız.
Başlayın
MediaPipe Çözümleri için Görüntü Sınıflandırma gibi çözüm Özelleştirme eğiticilerinden birini çalıştırarak MediaPipe Model Maker'ı kullanmaya başlayabilirsiniz.