Эндрю Нг много лет работает над демократизацией машинного обучения и искусственного интеллекта. Его компания LandingLens предлагает бесплатную 30-дневную пробную версию для быстрого и простого создания проекта компьютерной визуализации. Зарегистрироваться на бесплатную пробную версию очень просто. Вы можете создать до 20 проектов, в каждом из которых может быть до 500 изображений. В своем информационном письме он призывает читателей потратить 10 минут на изучение приложения. Однако на создание моего первого проекта у меня ушло гораздо больше времени, так как у меня нет набора изображений для работы.

После того, как вы зарегистрируетесь в учетной записи, создайте проект. Затем вы можете перетаскивать изображения в интерфейс. Формат файла webp не работает, но jpg работает без проблем. Приложение запрашивает как минимум 10 изображений для предсказания, поэтому я загружаю 10 изображений из Интернета, пытаясь построить модель для классификации кролика и не кролика. Нажмите на каждое изображение, чтобы пометить его. Вы можете рисовать прямоугольники, чтобы находить объекты и обозначать разные классы. Смотрите изображение ниже:

Когда все изображения помечены, можно приступать к обучению. У меня всего 10 изображений, поэтому я не стал разбивать свои данные и начал обучение напрямую.

Приложение прошло процесс выделения GPU и обучения. Кривая обучения была отображена с частотой ошибок по оси Y и количеством эпох по оси X. Вы можете наблюдать, как линия движется вниз. После тренировки результат отображается с точностью и отзывом. Я не уверен, что такое доверительный порог, но думаю, что это предельная точка для классификации. Вы можете сдвинуть порог достоверности и увидеть, как соответственно изменятся показатели производительности.

На обучающих изображениях вы можете обнаружить, что идентифицированные объекты имеют связанные с ними проценты. Мои тренировочные данные слишком малы и немного беспорядочны. Я включил фотографии с двумя кошками и одним человеческим лицом. Видно, что модель не очень уверена в чисто белом кролике и кролике, перекрывающемся с кошкой.

Делать прогнозы легко. Просто нажмите кнопку прогнозирования и перетащите изображение. Декодирование объекта было потрясающим. Прогноз сработал.

Предполагая, что это жизнеспособная модель, следующим шагом будет развертывание в рабочей среде. Приложение предоставляет текстовое поле с запросом конечной точки или соединения API.

Мой первоначальный тест дал мне уверенность в том, что это приложение надежное и простое в использовании. Однако я боролся с некоторыми проблемами интерфейса. Модель, которую я построил, также потерялась, когда я случайно ушел. Тем не менее, я вижу потенциал использования этого инструмента для быстрого построения модели классификации изображений и демонстрации учащимся шагов и характеристик модели машинного обучения.