Teachable Machine.

Le modèle apprend de vos exemples

Teachable Machine offre un moyen visuel de se familiariser avec l'apprentissage automatique. L'utilisateur collecte des exemples, leur attribue des classes, lance la formation et vérifie immédiatement les nouvelles entrées. Les matériaux officiels décrivent la reconnaissance d'images, de sons et de poses. Ce n’est pas un interlocuteur universel ni un générateur d’illustrations : la tâche consiste à distinguer les classes que vous avez préparées.

Le projet fait partie des expériences de Google Creative Lab. Le dépôt ouvert publie bibliothèques, exemples et explications de l'architecture TensorFlow.js. Il précise qu'il ne s'agit pas d'un produit Google officiel pour la production avec assistance garantie. Pour découvrir le fonctionnement, cette réserve compte davantage que la notoriété du développeur.

Pourquoi changer le fond lors de la vérification

Supposons que la caméra doive distinguer crayons et cuillères. Recueillez vos propres exemples en variant position, distance et éclairage. Ne photographiez pas une classe uniquement sur fond blanc et l'autre sur fond sombre : le modèle pourrait apprendre le fond plutôt que les objets.

Après l'entraînement, utilisez de nouvelles images et modifiez séparément les conditions de prise de vue. Testez sans l'objet recherché et avec un objet d'une classe inconnue. Un score élevé sur une image familière renseigne peu sur une autre pièce. Les images réservées aux tests doivent représenter les conditions d'utilisation prévues.

Exportation et travail local

Le référentiel officiel explique que l'apprentissage et l'exécution des modèles se produisent dans le navigateur. Google Drive peut être utilisé séparément pour enregistrer le projet. Les modèles exportés peuvent être connectés à des sites et des applications; voici des exemples pour plusieurs langues et des bibliothèques auxiliaires. Ce n’est pas une promesse d’une API cloud prête à l’emploi pour n’importe quelle tâche.

Lors de l'intégration dans votre projet, vérifiez le traitement des prédictions incertaines et des nouvelles conditions d'entrée. Une décision importante exige un contrôle des données et erreurs bien plus strict qu'une démonstration pédagogique. Le code ouvert explique le mécanisme, sans dispenser de vérifier licences des composants et fiabilité de l'application finale.

Ne recueillez pas seulement des images voisines presque identiques. Montrez l'objet sous plusieurs angles et testez-le hors de son environnement habituel. Pour les objets inconnus dans la future application, définissez la réponse incertaine et ce que l'utilisateur verra. Sinon, le classificateur devra choisir une classe connue même pour une entrée inadaptée.

Pour quelles tâches convient-il

• Entraîner un modèle pédagogique à reconnaître des classes visuelles
• Exporter le modèle dans un petit projet personnel