MediaPipe Model Maker adalah alat untuk menyesuaikan model machine learning (ML) yang ada agar berfungsi dengan data dan aplikasi Anda. Anda dapat menggunakan alat ini sebagai alternatif yang lebih cepat untuk membangun dan melatih model ML baru. Model Maker menggunakan teknik pelatihan ML yang disebut transfer learning yang melatih ulang model yang ada dengan data baru. Teknik ini menggunakan kembali sebagian besar logika model yang ada, yang berarti pelatihan memerlukan lebih sedikit waktu daripada melatih model baru, dan dapat dilakukan dengan lebih sedikit data.
Model Maker berfungsi pada berbagai jenis model, termasuk deteksi objek, pengenalan gestur, atau pengklasifikasi untuk data gambar, teks, atau audio. Alat ini melatih ulang model dengan menghapus beberapa lapisan terakhir model yang mengklasifikasikan data ke dalam kategori tertentu, dan mem-build ulang lapisan tersebut menggunakan data baru yang Anda berikan. Model Maker juga mendukung beberapa opsi untuk menyesuaikan lapisan model guna meningkatkan akurasi dan performa.
Gambar 1. Model Maker menghapus lapisan akhir dari model yang ada dan mem-build-nya ulang dengan data baru.
Melatih ulang model menggunakan Model Maker umumnya akan membuat model menjadi lebih kecil, terutama jika Anda melatih ulang model baru untuk mengenali lebih sedikit hal. Artinya, Anda dapat menggunakan Model Maker untuk membuat model yang lebih terfokus dan berfungsi lebih baik untuk aplikasi Anda. Alat ini juga dapat membantu Anda menerapkan teknik ML seperti kuantisasi sehingga model Anda menggunakan lebih sedikit resource dan berjalan lebih efisien.
Persyaratan data pelatihan
Anda dapat menggunakan Model Maker untuk melatih kembali model dengan data yang jauh lebih sedikit daripada melatih model baru. Saat melatih ulang model dengan data baru, Anda harus memiliki sekitar 100 sampel data untuk setiap class yang dilatih. Misalnya, jika Anda melatih ulang model klasifikasi gambar untuk mengenali kucing,, dan burung beo, Anda harus memiliki sekitar 100 gambar kucing, 100 gambar, dan 100 gambar burung beo. Bergantung pada aplikasi yang digunakan, Anda mungkin dapat melatih ulang model yang berguna dengan lebih sedikit data per kategori, meskipun set data yang lebih besar umumnya akan meningkatkan akurasi model Anda. Saat membuat set data pelatihan, ingatlah bahwa data pelatihan Anda akan dipecah selama proses pelatihan ulang, biasanya 80% untuk pelatihan, 10% untuk pengujian, dan sisanya untuk validasi.
Batasan penyesuaian
Karena proses pelatihan ulang menghapus lapisan klasifikasi sebelumnya, model yang dihasilkan hanya dapat mengenali item, atau class, yang diberikan dalam data baru. Jika model lama dilatih untuk mengenali 30 class item yang berbeda, dan Anda menggunakan Model Maker untuk melatih ulang dengan data untuk 10 item yang berbeda, model yang dihasilkan hanya dapat mengenali 10 item baru tersebut.
Melatih ulang model dengan Model Maker tidak dapat mengubah pemecahan masalah yang hendak dipecahkan oleh model ML asli, meskipun tugas tersebut serupa. Misalnya, Anda tidak dapat menggunakan alat ini untuk membuat model klasifikasi gambar melakukan deteksi objek, meskipun tugas-tugas tersebut memiliki beberapa kesamaan.
Mulai
Anda dapat mulai menggunakan MediaPipe Model Maker dengan menjalankan salah satu solusi Tutorial penyesuaian untuk Solusi MediaPipe, seperti Klasifikasi Gambar