MediaPipe Model Maker — это инструмент для настройки существующих моделей машинного обучения (ML) для работы с вашими данными и приложениями. Вы можете использовать этот инструмент как более быструю альтернативу созданию и обучению новой модели машинного обучения. Model Maker использует метод обучения машинного обучения, называемый трансферным обучением , который переобучает существующие модели с использованием новых данных. Этот метод повторно использует значительную часть существующей логики модели, что означает, что обучение занимает меньше времени, чем обучение новой модели, и может выполняться с меньшим количеством данных.
Model Maker работает с различными типами моделей, включая обнаружение объектов, распознавание жестов или классификаторы изображений, текста или аудиоданных. Инструмент переобучает модели, удаляя несколько последних слоев модели, которые классифицируют данные по определенным категориям, и перестраивает эти слои с использованием новых предоставленных вами данных. Model Maker также поддерживает некоторые возможности точной настройки слоев модели для повышения точности и производительности.
Рис. 1. Model Maker удаляет последние слои существующей модели и перестраивает их с использованием новых данных.
Переобучение модели с помощью Model Maker обычно уменьшает ее размер, особенно если вы переобучаете новую модель, чтобы распознавать меньше объектов. Это означает, что вы можете использовать Model Maker для создания более целенаправленных моделей, которые лучше подходят для вашего приложения. Этот инструмент также может помочь вам применить методы машинного обучения, такие как квантование, чтобы ваша модель использовала меньше ресурсов и работала более эффективно.
Требования к обучающим данным
Вы можете использовать Model Maker для повторного обучения моделей со значительно меньшим количеством данных, чем при обучении новой модели. При переобучении модели с использованием новых данных вам следует стремиться иметь примерно 100 выборок данных для каждого обученного класса. Например, если вы переобучаете модель классификации изображений для распознавания кошек, собак и попугаев, у вас должно быть около 100 изображений кошек, 100 изображений собак и 100 изображений попугаев. В зависимости от вашего приложения вы можете переобучить полезную модель с еще меньшим количеством данных на категорию, хотя больший набор данных обычно повышает точность вашей модели. При создании набора обучающих данных помните, что ваши обучающие данные разделяются в процессе переобучения: обычно 80 % для обучения, 10 % для тестирования и оставшаяся часть для проверки.
Ограничения настройки
Поскольку процесс переобучения удаляет предыдущие уровни классификации, полученная модель может распознавать только элементы или классы, представленные в новых данных. Если старая модель была обучена распознавать 30 различных классов элементов, и вы используете Model Maker для повторного обучения с данными для 10 различных элементов, полученная модель сможет распознавать только эти 10 новых элементов.
Переобучение модели с помощью Model Maker не может изменить то, для чего была создана исходная модель машинного обучения, даже если эти задания схожи. Например, вы не можете использовать этот инструмент, чтобы заставить модель классификации изображений выполнять обнаружение объектов, даже если эти задачи имеют некоторое сходство.
Начать
Вы можете начать использовать MediaPipe Model Maker, запустив одно из руководств по настройке решения для решений MediaPipe, например « Классификация изображений».