Identificando objetos usando seu navegador com o TensorFlowJS

Niño Ross Rodriguez Blocked Desbloquear Seguir Seguindo 12 de junho de 2018

[originalmente publicado em imaginações infinitas ]

Você pode estar familiarizado com o programa de TV " Silicon Valley" e o episódio "Hot Dog", em que o elenco criou um aplicativo para simplesmente (e ainda assim hilário) determinar o objeto como um cachorro-quente ou não um cachorro-quente. E não é mais ficção científica com aplicativos, como o Google Lens, lançados na maioria dos smartphones modernos. Hoje em dia qualquer um pode simplesmente apontar sua câmera e obter as informações de que precisam, rapidamente.

Existem serviços como API do Google Cloud Vision , AWS Rekognition e Clarifai – para citar alguns – que estão disponíveis no mercado para qualquer pessoa implementar e usar. Embora esses serviços permitam fazer mais com menos código, ele vem com um preço de pagamento conforme o uso. Além disso, é um identificador de imagem genérico e pode ter um caso de uso diferente.

Digite: TensorFlowJS .

Trending AI Articles:

1. Vamos construir uma rede neural simples!

2. Árvores de decisão no aprendizado de máquina

3. O equilíbrio da IA passiva vs. IA ativa

4. Uma introdução intuitiva ao Machine Learning

É uma biblioteca JavaScript lançada pelo Google Brain Team que traz aprendizado de máquina para todos. Foi originalmente escrito em Python, C ++ e CUDA. Graças à equipe, eles o transportaram para JavaScript, onde é comumente usado no navegador. Embora o TensorFlowJS não seja exatamente igual à sua versão Python de irmão mais velho, a biblioteca já está equipada com as APIs necessárias para construir e treinar modelos do zero, executar modelos TensorFlow e treinar modelos pré-existentes, toda a conveniência do seu navegador.

O TensorFlow tem circulado em torno dos meus feeds de leitura e, com o recente evento de IO do Google, ele me inspirou e empurrou para que eu sujasse as mãos no aprendizado de máquina.

Estrada para descoberta

Avisos de diferentes fontes sugerem que, o TensorFlow não seria útil se você não tivesse nenhum histórico de aprendizado de máquina. Python continua aparecendo como a linguagem preferida para o desenvolvimento em aprendizado de máquina e parecia que eu precisava aprender o básico para criar para prosseguir. Este foi um dos muitos obstáculos que encontrei. Mas eu ainda estava determinado a criar meu próprio identificador de imagem.

Aviso: Se você não tiver nenhum histórico de Aprendizado de Máquina, o TensorFlow não é para você

O primeiro passo é sempre voltar ao básico e ler as documentações no site da TensorFlowJS . Parecia bem simples no começo, mas eu estava errado. Mais perguntas surgiram e eu estava começando a acreditar nos sinais de aviso anteriores. Talvez eu precise aprender sobre aprendizado de máquina antes de mergulhar no TensorFlowJS. Até mesmo vasculhar o YouTube em busca de tutoriais e referências não ajudou muito. Eu consegui "criar" um classificador de imagem localmente na minha máquina, mas ele estava sendo executado em Python. Eu precisava que fosse do lado do cliente, assim como o Emoji Scavenger Hunt .

Tendo encontrado o repositório para o Emoji Scavenger Hunt e horas de engenharia reversa dos códigos para atender às minhas necessidades, finalmente consegui criar meu próprio classificador de imagens que funciona suavemente no lado do cliente.

Ensine-a como se fosse uma criança de 2 anos

Eu pensei que meu maior obstáculo seria desenvolver em Python. Eu estava desenvolvendo em um ambiente Windows inicialmente e foi confuso e uma dor para configurar. Mas no momento em que mudei para um ambiente Mac, tudo estava tranquilo. A maior lição que aprendi foi fornecer ao sistema bons dados. Meus colegas me disseram que, para obter resultados com alta precisão, você deve fornecer bons dados iniciais.

Uma analogia para simplesmente entender como o aprendizado de máquina funciona é ensiná-lo mostrando imagens como se ele fosse como uma criança de 2 anos, onde dados são o conjunto de imagens e o de 2 anos é o sistema de aprendizado de máquina. Por exemplo, se você quiser que a criança aprenda o que é uma maçã, mostre à criança apenas fotos diferentes de maçãs. Nada mais deve estar na foto. Nenhum outro fruto, nenhum outro elemento. Depois de um certo número de fotos que a criança viu, elas poderão saber quando virem uma maçã na vida real. Por outro lado, se você der à criança fotos com maçãs e laranjas, maçãs e bananas, maçãs e uvas. A criança ficará confusa ao ver essas frutas juntas.

A moral da analogia é que as imagens que serão inicialmente fornecidas ao sistema para aprendizado de máquina devem ser fáceis de compreender para alguém ou para alguém que não sabe o que é o assunto.

Riddle Me This PWA

Me enigma este enigma que me
Enigmas aleatórios retirados do chapéu
Quando você sabe a resposta, tire uma foto
Se você está correto eu vou te dar um aplauso

O objetivo era criar meu próprio identificador de imagens e colocá-lo em algum bom uso. The Riddle Me Este é um PWA que mostrará enigmas aleatórios de itens comuns que podem ser encontrados em sua casa. Seu desafio é encontrar a resposta e tirar uma foto dela. Se você estiver correto, prossiga com os outros enigmas. Se você está errado, bem … continue adivinhando.

Dê uma olhada no link abaixo! Caçada feliz!

https://goo.gl/1DLJgJ

Não se esqueça de nos dar o seu ?!