Canonical: https://instain.ru/ai/teachable-machine/ Language: ru Google Creative Lab эксперимент # Teachable Machine. Обучение распознаванию на своих примерах 4.43 / 5 [Оценка каталога](https://instain.ru/ai/teachable-machine/#editorial-rating) [Официальный сайт ](https://teachablemachine.withgoogle.com/) Teachable Machine обучает распознавание изображений, звуков и поз в браузере. ![Teachable Machine: официальный репозиторий с примерами и средствами разработки.](https://instain.ru/assets/images/teachable-machine-screen-82cef73e68ca-1200.webp) Официальный репозиторий Teachable Machine на GitHub. [Открыть источник ](https://github.com/googlecreativelab/teachablemachine-community#teachable-machine-community) ## Модель учится на ваших примерах Teachable Machine дает наглядный способ познакомиться с машинным обучением. Пользователь собирает примеры, назначает им классы, запускает обучение и сразу проверяет новые входы. Официальные материалы описывают распознавание изображений, звуков и поз. Это не универсальный собеседник и не генератор иллюстраций: задача состоит в различении тех классов, которые вы подготовили. Проект относится к экспериментам Google Creative Lab. В открытом репозитории опубликованы библиотеки, примеры и пояснение архитектуры на TensorFlow.js. Там же указано, что эксперимент не следует считать официальным производственным продуктом Google с гарантированным сопровождением. Для учебного знакомства такая оговорка важнее громкого названия разработчика. ## Почему меняют фон при проверке Предположим, нужно различать карандаш и ложку по изображению с камеры. Соберите много собственных примеров при разном положении предметов, расстоянии и освещении. Не снимайте весь первый класс только на белом фоне, а второй только на темном: иначе модель может научиться отличать фон, а не сами предметы. После обучения возьмите новые кадры и отдельно поменяйте условия съемки. Проверьте, что произойдет без нужного предмета или с предметом, который не относится ни к одному классу. Высокое значение на знакомой картинке мало говорит о работе в другой комнате. Отложенные снимки должны представлять реальные условия, в которых предстоит распознавать предметы. ## Экспорт и локальная работа Официальный репозиторий поясняет, что обучение и выполнение моделей происходят в браузере. Для сохранения проекта может отдельно использоваться Google Drive. Экспортированные модели можно подключать к сайтам и приложениям; приведены примеры для нескольких языков и вспомогательные библиотеки. Это не обещание готового облачного API для любой задачи. При переносе в собственный проект проверьте, как обрабатываются неопределенные предсказания и новые условия входа. Для значимых решений нужен значительно более строгий контроль данных и ошибок, чем для учебной демонстрации. Открытый код позволяет изучить механизм, но не освобождает от проверки лицензий компонентов и надежности конечного приложения. При сборе примеров не ограничивайтесь почти одинаковыми соседними кадрами. Полезнее показать предмет под разными углами и проверить его отдельно от привычного окружения. Если в будущем приложении встречаются посторонние объекты, заранее определите, какой ответ считается неопределенным и что должен увидеть человек. Иначе учебный классификатор будет вынужден выбирать знакомое название даже для неподходящего входа. ## Для каких задач подходит - Обучить учебное распознавание визуальных классов - Экспортировать модель в собственный небольшой проект Возможности ## Сильные стороны - Обучение происходит в браузере - Есть открытые библиотеки и примеры экспорта Стоит учитывать ## Ограничения - Это эксперимент, а не производственная гарантия - Сходный фон может подменить нужный признак класса ## Выбор и условия Бесплатный режим Да Пробный период Не подтверждено Без регистрации Не подтверждено Русский интерфейс Не подтверждено Локальная установка Да API Не подтверждено «Не подтверждено» означает, что сведений недостаточно. Возможность может существовать; сверяйте условия разработчика. Исходные форматы Изображение, Аудио, Поза Результат Модель, Данные ### Условия Бесплатный учебный эксперимент с открытыми библиотеками. Обучение модели идет в браузере; сохранение проекта и работа собственного приложения имеют отдельные условия. От задачи к первому результату ## Практический пример Задача Обучить учебное распознавание визуальных классов Что подготовить Собственные примеры двух визуальных классов и отдельный набор кадров с другим фоном. ### Задание или запрос Рабочее задание: собрать разные примеры каждого класса, обучить классификатор в браузере и проверить, узнает ли он предмет при изменении фона и расстояния. ### Ожидаемый результат Учебная модель классификации с доступным экспортом и результатами проверки на новых примерах. ### Как проверить результат - Проверьте новые кадры, которых не было при обучении. - Поменяйте фон и освещение, чтобы выявить случайную зависимость от условий съемки. Редакционный учебный пример постановки задачи, а не результат личного тестирования сервиса. Проверьте доступность нужного режима, права на исходники и условия использования результата. Проверить подробности ## Официальные источники - [Официальная страница продукта ](https://teachablemachine.withgoogle.com/) - [Документация и условия разработчика ](https://github.com/googlecreativelab/teachablemachine-community) - [Документация и условия разработчика ](https://blog.google/innovation-and-ai/products/teachable-machine/) Описание составлено по материалам разработчика. Возможности, цены и доступность могут меняться; перед использованием сверяйтесь с первоисточником. Коротко об инструменте Разработчик Google Creative Lab Категория [Код](https://instain.ru/category/code/) Доступ Браузерный эксперимент Google Creative Lab; официальные библиотеки и примеры доступны в открытом репозитории. Оплата Учебный инструмент и опубликованный код доступны бесплатно, а собственное приложение и инфраструктура имеют отдельные требования. API Отдельный API не указан [Условия разработчика ](https://github.com/googlecreativelab/teachablemachine-community) Оценка каталога 4.43 / 5 Возможности 4.20 / 5 Рабочие сценарии 4.60 / 5 Экосистема 4.40 / 5 Документация 4.50 / 5 Баллы — ориентир каталога. Они не являются отзывами пользователей или результатом личного тестирования. [Посмотреть методологию ](https://instain.ru/methodology/)