MediaPipe Model Maker เป็นเครื่องมือสำหรับปรับแต่งโมเดลแมชชีนเลิร์นนิง (ML) ที่มีอยู่เพื่อทำงานกับข้อมูลและแอปพลิเคชันของคุณ คุณอาจใช้เครื่องมือนี้เป็นทางเลือกที่เร็วกว่าในการสร้างและฝึกโมเดล ML ใหม่ เครื่องมือสร้างโมเดลใช้เทคนิคการฝึก ML ที่เรียกว่าการเรียนรู้การโอน ซึ่งจะฝึกโมเดลที่มีอยู่ด้วยข้อมูลใหม่ เทคนิคนี้จะนำส่วนที่มีนัยสำคัญของตรรกะโมเดลที่มีอยู่มาใช้ซ้ำ ซึ่งหมายความว่าการฝึกใช้เวลาน้อยกว่าการฝึกโมเดลใหม่และทำได้โดยใช้ข้อมูลน้อยลง
Model Maker ใช้งานได้กับโมเดลหลายประเภท ได้แก่ การตรวจจับวัตถุ การจดจำท่าทางสัมผัส หรือตัวแยกประเภทสำหรับรูปภาพ ข้อความ หรือข้อมูลเสียง เครื่องมือจะฝึกโมเดลใหม่โดยลบเลเยอร์ 2-3 เลเยอร์สุดท้ายของโมเดลที่แยกประเภทข้อมูลออกเป็นหมวดหมู่ที่เจาะจง และสร้างเลเยอร์เหล่านั้นใหม่โดยใช้ข้อมูลใหม่ที่คุณให้ไว้ นอกจากนี้ Model Maker ยังรองรับตัวเลือกบางอย่างในการปรับแต่งเลเยอร์ของโมเดลเพื่อปรับปรุงความแม่นยำและประสิทธิภาพด้วย
รูปที่ 1 Model Maker จะลบเลเยอร์สุดท้ายของโมเดลที่มีอยู่และสร้างขึ้นมาใหม่ด้วยข้อมูลใหม่
โดยทั่วไปแล้ว การฝึกโมเดลใหม่โดยใช้ Model Maker จะทำให้โมเดลมีขนาดเล็กลง โดยเฉพาะอย่างยิ่งหากคุณฝึกโมเดลใหม่ให้จดจำสิ่งต่างๆ น้อยลง ซึ่งหมายความว่าคุณสามารถใช้ Model Maker เพื่อสร้างโมเดลที่เจาะจงมากขึ้นซึ่งทำงานได้ดีขึ้นสำหรับแอปพลิเคชันของคุณ เครื่องมือนี้ยังช่วยให้คุณใช้เทคนิค ML เช่น การวัดปริมาณได้ เพื่อให้โมเดลใช้ทรัพยากรน้อยลงและทำงานได้อย่างมีประสิทธิภาพมากขึ้น
ข้อกำหนดด้านข้อมูลการฝึก
คุณสามารถใช้ Model Maker เพื่อฝึกโมเดลอีกครั้งที่มีข้อมูลน้อยกว่าการฝึกโมเดลใหม่อย่างมากได้ เมื่อฝึกโมเดลอีกครั้งด้วยข้อมูลใหม่ คุณควรตั้งเป้าหมายให้มีตัวอย่างข้อมูลประมาณ 100 รายการสำหรับแต่ละคลาสที่ฝึกแล้ว เช่น หากคุณกำลังฝึกโมเดลการจัดประเภทรูปภาพซ้ำให้จดจำแมว สุนัข และนกแก้ว คุณควรมีรูปภาพแมวประมาณ 100 รูป รูปภาพสุนัข 100 รูป และรูปภาพนกแก้วประมาณ 100 รูป คุณอาจฝึกโมเดลที่มีประโยชน์อีกครั้งที่มีข้อมูลตามหมวดหมู่น้อยลงได้ ทั้งนี้ขึ้นอยู่กับแอปพลิเคชันของคุณ แม้ว่าชุดข้อมูลขนาดใหญ่จะช่วยเพิ่มความแม่นยำของโมเดลก็ตาม เมื่อสร้างชุดข้อมูลการฝึก โปรดทราบว่าข้อมูลการฝึกจะแบ่งออกเป็นระหว่างกระบวนการการฝึกอีกครั้ง ซึ่งโดยทั่วไปจะอยู่ที่ 80% สำหรับการฝึก 10% สำหรับการทดสอบ และส่วนที่เหลือสำหรับการตรวจสอบ
ข้อจำกัดของการปรับแต่ง
เนื่องจากกระบวนการฝึกซ้ำจะนำเลเยอร์การจัดประเภทก่อนหน้าออก โมเดลผลลัพธ์จะจดจำเฉพาะรายการหรือคลาสที่ให้ไว้ในข้อมูลใหม่เท่านั้น หากโมเดลเดิมได้รับการฝึกให้จดจำคลาสไอเทมที่แตกต่างกัน 30 รายการ และคุณใช้ Model Maker เพื่อฝึกอีกครั้งด้วยข้อมูล 10 รายการที่แตกต่างกัน โมเดลที่ได้จะจดจำรายการใหม่ 10 รายการดังกล่าวได้เท่านั้น
การฝึกโมเดลอีกครั้งด้วย Model Maker ไม่สามารถเปลี่ยนสิ่งที่โมเดล ML เดิมสร้างขึ้นเพื่อแก้โจทย์ แม้ว่างานเหล่านั้นจะคล้ายคลึงกันก็ตาม เช่น คุณจะใช้เครื่องมือเพื่อทำให้โมเดลการจัดประเภทรูปภาพดำเนินการตรวจจับออบเจ็กต์ไม่ได้ แม้ว่างานเหล่านั้นจะมีลักษณะคล้ายกันอยู่บ้าง
เริ่มต้นใช้งาน
คุณเริ่มใช้ MediaPipe Model Maker ได้โดยเรียกใช้โซลูชัน บทแนะนำการปรับแต่งสำหรับโซลูชัน MediaPipe เช่น การจัดประเภทรูปภาพ