MediaPipe Model Maker është një mjet për personalizimin e modeleve ekzistuese të mësimit të makinerive (ML) për të punuar me të dhënat dhe aplikacionet tuaja. Ju mund ta përdorni këtë mjet si një alternativë më të shpejtë për ndërtimin dhe trajnimin e një modeli të ri ML. Model Maker përdor një teknikë trajnimi ML të quajtur transferimi i të mësuarit , i cili ritrajnon modelet ekzistuese me të dhëna të reja. Kjo teknikë ripërdor një pjesë të konsiderueshme të logjikës ekzistuese të modelit, që do të thotë se trajnimi kërkon më pak kohë sesa trajnimi i një modeli të ri dhe mund të bëhet me më pak të dhëna.
Model Maker punon në lloje të ndryshme modelesh duke përfshirë zbulimin e objekteve, njohjen e gjesteve ose klasifikuesit për imazhe, tekst ose të dhëna audio. Mjeti ritrajnon modelet duke hequr disa shtresat e fundit të modelit që klasifikojnë të dhënat në kategori specifike dhe i rindërton ato shtresa duke përdorur të dhëna të reja që ofroni. Model Maker mbështet gjithashtu disa opsione për të rregulluar mirë shtresat e modelit për të përmirësuar saktësinë dhe performancën.
Figura 1. Model Maker heq shtresat përfundimtare të një modeli ekzistues dhe i rindërton ato me të dhëna të reja.
Rikualifikimi i një modeli duke përdorur Model Maker në përgjithësi e bën modelin më të vogël, veçanërisht nëse ritrajnoni modelin e ri për të njohur më pak gjëra. Kjo do të thotë që ju mund të përdorni Model Maker për të krijuar modele më të fokusuara që funksionojnë më mirë për aplikacionin tuaj. Mjeti mund t'ju ndihmojë gjithashtu të aplikoni teknika ML si kuantizimi, në mënyrë që modeli juaj të përdorë më pak burime dhe të funksionojë në mënyrë më efikase.
Kërkesat për të dhënat e trajnimit
Ju mund të përdorni Model Maker për të ritrajnuar modele me shumë më pak të dhëna sesa për të trajnuar një model të ri. Kur ritrajnoni një model me të dhëna të reja, duhet të synoni të keni afërsisht 100 mostra të dhënash për çdo klasë të trajnuar. Për shembull, nëse po ritrajnoni një model klasifikimi imazhesh për të njohur macet, qentë dhe papagajtë, duhet të keni rreth 100 imazhe macesh, 100 imazhe qensh dhe 100 imazhe papagajsh. Në varësi të aplikacionit tuaj, mund të jeni në gjendje të ritrajnoni një model të dobishëm me edhe më pak të dhëna për kategori, megjithëse një grup të dhënash më i madh në përgjithësi përmirëson saktësinë e modelit tuaj. Kur krijoni të dhënat tuaja të trajnimit, mbani mend se të dhënat tuaja të trajnimit ndahen gjatë procesit të rikualifikimit, zakonisht 80% për trajnim, 10% për testim dhe pjesa tjetër për vërtetim.
Kufizimet e personalizimit
Meqenëse procesi i rikualifikimit heq shtresat e mëparshme të klasifikimit, modeli që rezulton mund të njohë vetëm artikujt ose klasat e dhëna në të dhënat e reja. Nëse modeli i vjetër është trajnuar për të njohur 30 klasa të ndryshme artikujsh dhe ju përdorni Model Maker për të ritrajnuar me të dhëna për 10 artikuj të ndryshëm, modeli që rezulton është në gjendje t'i njohë vetëm ato 10 artikuj të rinj.
Ritrajnimi i një modeli me Model Maker nuk mund të ndryshojë atë që modeli origjinal ML është ndërtuar për të zgjidhur, edhe nëse ato punë janë të ngjashme. Për shembull, nuk mund ta përdorni mjetin për të bërë një model të klasifikimit të imazhit të kryejë zbulimin e objekteve, edhe pse këto detyra ndajnë njëfarë ngjashmërie.
Filloni
Mund të filloni të përdorni MediaPipe Model Maker duke ekzekutuar një nga udhëzimet e personalizimit të zgjidhjeve për MediaPipe Solutions, si p.sh. Klasifikimi i imazheve