مدل ساز MediaPipe

MediaPipe Model Maker ابزاری برای سفارشی‌سازی مدل‌های یادگیری ماشین (ML) موجود برای کار با داده‌ها و برنامه‌های کاربردی شما است. شما می توانید از این ابزار به عنوان جایگزین سریع تری برای ساخت و آموزش یک مدل جدید ML استفاده کنید. Model Maker از یک تکنیک آموزشی ML به نام یادگیری انتقال استفاده می کند که مدل های موجود را با داده های جدید بازآموزی می کند. این تکنیک از بخش قابل توجهی از منطق مدل موجود مجددا استفاده می کند، به این معنی که آموزش زمان کمتری نسبت به آموزش یک مدل جدید می برد و می تواند با داده های کمتری انجام شود.

Model Maker بر روی انواع مختلفی از مدل‌ها کار می‌کند، از جمله، تشخیص شی، تشخیص حرکت، یا طبقه‌بندی‌کننده برای تصاویر، متن یا داده‌های صوتی. این ابزار با حذف چند لایه آخر مدل که داده‌ها را در دسته‌های خاص طبقه‌بندی می‌کند، مدل‌ها را مجدداً آموزش می‌دهد و با استفاده از داده‌های جدیدی که شما ارائه می‌دهید، آن لایه‌ها را بازسازی می‌کند. Model Maker همچنین از برخی گزینه‌ها برای تنظیم دقیق لایه‌های مدل برای بهبود دقت و عملکرد پشتیبانی می‌کند.

شکل 1. Model Maker لایه های نهایی یک مدل موجود را حذف می کند و آنها را با داده های جدید بازسازی می کند.

آموزش مجدد یک مدل با استفاده از Model Maker معمولاً مدل را کوچک‌تر می‌کند، به خصوص اگر مدل جدید را مجدداً آموزش دهید تا موارد کمتری را تشخیص دهد. این بدان معناست که شما می توانید از Model Maker برای ایجاد مدل های متمرکزتر استفاده کنید که برای برنامه شما بهتر کار می کنند. این ابزار همچنین می‌تواند به شما کمک کند تکنیک‌های ML مانند کوانتیزه‌سازی را اعمال کنید تا مدل شما از منابع کمتری استفاده کند و کارآمدتر اجرا شود.

الزامات داده های آموزشی

شما می توانید از Model Maker برای بازآموزی مدل هایی با داده های بسیار کمتر نسبت به آموزش یک مدل جدید استفاده کنید. هنگام بازآموزی یک مدل با داده های جدید، باید هدف داشته باشید که تقریباً 100 نمونه داده برای هر کلاس آموزش دیده داشته باشید. برای مثال، اگر در حال بازآموزی یک مدل طبقه‌بندی تصویر برای تشخیص گربه‌ها، سگ‌ها و طوطی‌ها هستید، باید حدود 100 تصویر از گربه، 100 تصویر از سگ و 100 تصویر از طوطی داشته باشید. بسته به برنامه شما، ممکن است بتوانید یک مدل مفید را با داده های کمتر در هر دسته مجدداً آموزش دهید، اگرچه مجموعه داده بزرگتر معمولاً دقت مدل شما را بهبود می بخشد. هنگام ایجاد مجموعه داده های آموزشی خود، به یاد داشته باشید که داده های آموزشی شما در طول فرآیند بازآموزی تقسیم می شوند، معمولاً 80٪ برای آموزش، 10٪ برای آزمایش، و بقیه برای اعتبار سنجی.

محدودیت های سفارشی سازی

از آنجایی که فرآیند بازآموزی لایه‌های طبقه‌بندی قبلی را حذف می‌کند، مدل حاصل تنها می‌تواند موارد یا کلاس‌های ارائه‌شده در داده‌های جدید را تشخیص دهد. اگر مدل قدیمی برای تشخیص 30 کلاس آیتم مختلف آموزش دیده بود، و شما از Model Maker برای بازآموزی با داده های 10 آیتم مختلف استفاده می کنید، مدل حاصل فقط می تواند آن 10 مورد جدید را تشخیص دهد.

آموزش مجدد یک مدل با Model Maker نمی‌تواند آنچه را که مدل اصلی ML برای حل آن ساخته شده است، تغییر دهد، حتی اگر آن مشاغل مشابه باشند. برای مثال، نمی‌توانید از این ابزار برای ایجاد یک مدل طبقه‌بندی تصویر برای شناسایی شی استفاده کنید، حتی اگر آن وظایف شباهت‌هایی با هم دارند.

شروع کنید

می‌توانید با اجرای یکی از آموزش‌های سفارشی‌سازی راه‌حل برای راهکارهای MediaPipe، مانند طبقه‌بندی تصویر ، استفاده از MediaPipe Model Maker را شروع کنید.