自得其樂的部落格

Teachable Machine(心得與操作過程)

Google機器學習工具Teachable Machine，可以用簡單的人工智慧功來訓練，可以辨識圖片、聲音與動作。

Teachable Machine網頁用非常簡單與人性化的介面讓沒寫過程式的學生也能快速上手。

照著步驟就能做出簡單的影像與聲音辨識囉!

訓練AI模型的第一步是選擇要訓練模型的種類，分別是圖片、音訊、肢體。

我們選擇簡單的圖片影像辨識訓練，選擇左邊的標準模式，右邊的是給嵌入式系統使用的。

點擊後就會進入這個畫面

有四個重點

1. 分類的名稱修改與增減

2. 上傳檔案的方式

3. 訓練的參數調整

4. 匯出模型

分類的名稱修改與增減

Class1 旁邊的鉛筆圖示可以更改名稱。

Class2 下方的加號圖示(Add a class)，可以增加種類。

若是要刪除種類可以找到後面的三個點圖示，裡面有刪除種類與讓選取的種類暫時不作用。

上傳檔案的方式

可以選擇用攝影機或是上傳電腦內的檔案。

影片上傳

點擊 ”Hold to record ”可以擷取一張畫面，如果長按則會擷取多張照片。

點擊設定可以修改擷取的相關參數。

Frames per second(FPS) : 每秒處理幀數，看你是否需要平滑、流暢的畫面運動辨識，如果不用就保持24fps即可。

“ Hold to record ”常因為長按導致有多張不良的擷取圖片，可以在這關閉。

設定完，記得在右下角儲存你的設定唷!

如果要刪除不良的擷取圖片只需把鼠標移動到圖片上方，照到垃圾桶圖示典籍就可以刪除圖片囉!

圖片上傳

可選擇電腦內的檔案或Google drive的檔案。

訓練的參數調整

點擊Train Model 就可以直接訓練了，如果要更詳細的參數調整，請點選

“ Advance ”。

裡面有幾個專有名詞參數

1. Epochs :整個模型訓練的週期(訓練完全部資料)

2. Batch size : 訓練的批次數量，一次丟幾筆資料進去訓練。

3. Learing rate : 學習率大，速度快，容易造成值的震盪與爆炸。學習率小，速度慢，容易造成訓練時間長與過度配適。

建議0.001~0.01，最好不要超過0.03。

4. Reset Defaults : 重設預設值，回到一開始的設定。

5. under the hood : 觀察準確率與損失函數

額外補充 :

Iteration : 迭代，迴圈的次數。

舉例來說 : 我有100筆資料，每次我丟20筆資料去訓練，我需要跑幾次的迴圈。

Data = 100

Batch size = 20

Iteration = 5

Epochs = 1

Data = Batch size * Iterations = (Epochs訓練全部資料的週期 = 1)

左邊是訓練和測試的準確率與損失函數，右邊可以開啟攝影機及時辨識，可以馬上測試模型的好壞。

匯出模型

TensorFlow.js : TensorFlow 的JavaScript 版本

我們使用的是TensorFlow的Keras (.h5檔)

Savemodel SavedModel : 當模型導出為 SavedModel 文件時，不需要建立模型的原始碼，就可再次執行模型。

Tensorflow Lite :是 TensorFlow 應用在可攜式、嵌入式……等。提供相關 API 庫，可執行在 Android、iOS 與樹莓派……等。

選擇要匯出的模型格式，點擊 ” Download my model ”，就會下載到你的電腦裡面了。

程式撰寫

下載了模型檔案 ”converted_keras.zip ”，使用解壓縮軟體，解壓縮到你寫程式的資料夾，解壓縮完成會看到 ”keras_model.h5 ”和 “ labels.txt ”

.h5 檔案是你訓練的模型檔案，label 是你剛剛設定的class索引與名稱。

可以使用官方的程式範例或是去網路上copy別人寫好的程式，記得某些地方有更改，像是.h5的名稱、相對路徑、檔案位置……等。

最後更改判斷式的地方即可。