Canonical: https://instain.ru/tr/ai/teachable-machine/ Language: tr Google Creative Lab deney # Teachable Machine. Kendi örneklerinizle tanıma eğitimi 4.43 / 5 [Katalog değerlendirmesi](https://instain.ru/tr/ai/teachable-machine/#editorial-rating) [Resmî site ](https://teachablemachine.withgoogle.com/) Teachable Machine tarayıcıda görüntü, ses ve poz tanımayı eğitir. ![Teachable Machine: örnekler ve geliştirme araçları içeren resmi depo.](https://instain.ru/assets/images/teachable-machine-screen-82cef73e68ca-1200.webp) GitHub üzerindeki resmi Teachable Machine deposu. [Kaynağı aç ](https://github.com/googlecreativelab/teachablemachine-community#teachable-machine-community) ## Model sizin örneklerinizden öğrenir Teachable Machine makine öğrenmesini görsel olarak tanıtır. Kullanıcı örnek toplar, sınıf atar, eğitimi başlatır ve yeni girdileri hemen test eder. Resmi materyaller görüntü, ses ve poz tanımayı açıklar. Amaç genel sohbet veya illüstrasyon üretimi değil, hazırladığınız sınıfları ayırt etmektir. Proje Google Creative Lab deneyleriyle ilişkilidir. Açık depoda kütüphaneler, örnekler ve TensorFlow.js mimarisi hakkında açıklamalar bulunur. Deneyin garantili desteğe sahip resmi bir Google üretim ürünü sayılmaması gerektiği de belirtilir. Öğrenme amacı için bu sınır, geliştiricinin bilinen adından daha önemlidir. ## Kontrol ederken arka planı neden değiştirelim? Kamera görüntüsünde kalemle kaşığı ayırt etmek istediğinizi düşünelim. Nesnelerin farklı konum, mesafe ve ışıkta kendi örneklerini toplayın. Bir sınıfı yalnızca beyaz, diğerini yalnızca koyu arka planda çekmeyin. Model nesne yerine arka planı öğrenebilir. Eğitimden sonra yeni görüntüler kullanıp çekim koşullarını ayrı ayrı değiştirin. Hedef nesne yokken ve bilinen sınıflara ait olmayan nesne varken deneyin. Tanıdık görüntüdeki yüksek skor, başka odadaki başarı hakkında az bilgi verir. Ayrı test görüntüleri gerçek kullanım koşullarını temsil etmelidir. ## Dışa aktarma ve yerel çalışma Resmi depo, model eğitimi ve çalıştırmanın tarayıcıda olduğunu açıklar. Projeyi kaydetmek için ayrıca Google Drive kullanılabilir. Dışa aktarılan modeller site ve uygulamalara bağlanabilir; farklı diller için örnekler ve yardımcı kütüphaneler verilir. Bu, her göreve hazır bir bulut API vaadi değildir. Kendi projenize aktarırken belirsiz tahminleri ve yeni girdi koşullarını kontrol edin. Önemli kararlar, eğitim gösterimine göre çok daha sıkı veri ve hata denetimi gerektirir. Açık kaynak işleyişi incelemeyi sağlar, ancak bileşen lisanslarını ve son uygulamanın güvenilirliğini kontrol etme gereğini kaldırmaz. Örnek toplarken neredeyse aynı komşu karelerle yetinmeyin. Nesneyi farklı açılardan göstermek ve alışılmış ortam dışında denemek daha yararlıdır. Gelecek uygulamadaki bilinmeyen nesneler için hangi yanıtın belirsiz sayılacağını ve kullanıcının ne göreceğini belirleyin. Aksi halde sınıflandırıcı uygun olmayan girdi için bile bilinen sınıfı seçmek zorunda kalır. ## Hangi görevler uygun - Görsel Sınıf Tanıma Eğitimi - Modeli kendi küçük projenize aktarın Özellikler ## Güçlü yönler - Eğitim tarayıcıda gerçekleşir - Açık kütüphaneler ve dışa aktarma örnekleri Dikkate alınması gerekenler ## Sınırlamalar - Bu bir deney, üretim garantisi değil. - Benzer bir arka plan, istenen sınıf özelliğinin yerini alabilir ## Seçim ve koşullar Ücretsiz kullanım Evet Deneme süresi Doğrulanmadı Kayıt gerektirmez Doğrulanmadı Rusça arayüz Doğrulanmadı Yerel kurulum Evet API Doğrulanmadı “Doğrulanmadı”, yeterli bilgi bulunmadığı anlamına gelir. Özellik mevcut olabilir; geliştiricinin koşullarını kontrol edin. Girdi biçimleri Görsel, Ses, Pose Sonuç Model, Veri ### Koşullar Açık kütüphanelerle ücretsiz öğrenme deneyimi. Model eğitimi tarayıcıdadır; projeyi kaydetmek ve kendi uygulamanızı çalıştırmak ayrı koşullara sahiptir. Görevden ilk sonuca ## Uygulama örneği Görev Görsel Sınıf Tanıma Eğitimi Ne hazırlamalısınız? İki görsel sınıfa ait kendi örnekleriniz ve farklı arka planlı ayrı bir görüntü kümesi. ### Görev veya istem Görev: Her sınıftan çeşitli örnekler toplayın, sınıflandırıcıyı tarayıcıda eğitin ve arka plan ile mesafeyi değiştirerek nesneyi tanıyıp tanımadığını kontrol edin. ### Beklenen sonuç Dışa aktarılabilen eğitsel sınıflandırma modeli ve yeni örneklerdeki test sonuçları. ### Sonuç nasıl kontrol edilir - Eğitimde kullanılmamış yeni görüntülerle test edin. - Çekim koşullarına rastlantısal bağımlılığı bulmak için arka planı ve ışığı değiştirin. Bu, görevin nasıl tanımlanabileceğini gösteren editoryal bir eğitim örneğidir; servisi bizzat test ederek elde edilmiş bir sonuç değildir. Gerekli modun kullanılabilirliğini, kaynak dosyalar üzerindeki hakları ve sonucun kullanım koşullarını kontrol edin. Ayrıntıları kontrol et ## Resmi kaynaklar - [Resmi ürün sayfası ](https://teachablemachine.withgoogle.com/) - [Geliştirici Dokümantasyonu ve Şartları ](https://github.com/googlecreativelab/teachablemachine-community) - [Geliştirici Dokümantasyonu ve Şartları ](https://blog.google/innovation-and-ai/products/teachable-machine/) Açıklama geliştiricinin materyallerine dayanmaktadır. Fırsatlar, fiyatlar ve kullanılabilirlik değişebilir; kullanımdan önce orijinal kaynağa bakın. Kısaca araç hakkında Geliştirici Google Creative Lab Kategori [Kod](https://instain.ru/tr/category/code/) Erişim Google Creative Lab tarayıcı deneyi; resmi kütüphaneler ve örnekler açık bir depoda mevcuttur. Ödeme Eğitim aracı ve yayınlanan kod ücretsiz olarak mevcuttur ve kendi uygulama ve altyapısı ayrı gereksinimlere sahiptir. API Ayrı bir API belirtilmedi [Geliştirici Koşulları ](https://github.com/googlecreativelab/teachablemachine-community) Katalog değerlendirmesi 4.43 / 5 Özellikler 4.20 / 5 Çalışma senaryoları 4.60 / 5 Ekosistem 4.40 / 5 Belgeler 4.50 / 5 Puanlar katalogda yol gösterir. Kullanıcı yorumu veya kişisel test sonucu değildir. [Metodolojiye bakın ](https://instain.ru/tr/methodology/)