Teachable Machine｜讓每個人都可以輕鬆使用 AI

5 個月前

文章目錄

Teachable Machine 是一個由 Google 所開發的線上機器學習平台，讓使用者可以在瀏覽器中建立自己的機器學習模型，而不需要具備任何機器學習相關的專業知識，並且能讓所有人輕鬆且快速的建立自己的機器學習模型。無論是教育工作者、學生、創作者或是對機器學習有興趣的初學者，都非常適合使用這項工具。你可以在不必撰寫任何程式碼的情況下，就能訓練電腦來辨識圖像、音訊及姿勢，這也是目前 Teachable Machine 平台所提供的模型類型。訓練完成後，你可以單純與其互動測試，也可以將模型用於自己的專案、網站、應用程式和其他地方。

本篇文章將藉由『教電腦辨識水果』機器學習活動，對所有初學者完整介紹 Teachable Machine 的基本功能。不僅教大家如何收集及建立資料集，並將自己所訓練獨一無二的模型匯出使用，並分享所訓練的模型作品。未來將會以此為基礎教大家做一些有趣的 AI 專案，藉此認識 AI 及機器學習。現在就讓我們一起來認識無程式碼機器學習工具 Teachable Machine 吧！

1. 機器學習

我們將在 Teachable Machine 平台上進行活動，此平台不用註冊就能使用機器學習功能。同時我們將根據機器學習基本三大步驟(收集資料→進行訓練→預測評估)來進行這個活動，而這三大步驟也將是未來初學者利用 Python 學習機器學習或深度學習時的重要基石。

活動目的：教電腦辨識水果
訓練項目：圖片辨識
活動平台：Teachabel Machine
使用環境：桌機及瀏覽器

首先我們會先連到 Teachabel Machine (https://teachablemachine.withgoogle.com/train)。您將會看到如下圖畫面，該畫面包含三種專案類型 – 圖片 (Image)、音訊 (Audio)和姿勢 (Pose)。

選擇圖片專案後，您將看到兩個選項，標準圖像模型 (Standard image model) 和內嵌圖像模型 (Embedded image model)，此活動將選擇標準圖像模型。若是想要應用於微控制器 (microcontrollers) 則可以考慮選擇後者，整個過程也將會是一樣的，只是模型不同而已。

點擊標準圖像模型後，您將被引導至下圖所示的畫面，我們將在這裡增加想要藉助模型進行分類的類別及資料建立。使用者可以有兩種資料收集的選擇方式 – (A)從攝影機鏡頭捕捉圖像資料或是(B)將收集到的資料上傳，本次活動將示範(B)上傳所收集到的資料集，而讀者若有興趣也可以另外試著用攝影機鏡頭來收集資料。

接下來我們將根據機器學習三大步驟(收集資料→進行訓練→預測評估)來進行這個活動。

Step 1：收集資料

我們將建立一個水果分類模型，使其可以辨識蘋果、香蕉、橘子及三種混合在一起的圖片。我們將使用來自 Kaggle 的水果影資料集。您可以從 https://www.kaggle.com/datasets/mbkinaci/fruit-images-for-object-detection 下載此資料集。

下載後將其解壓縮，你將可以看到這些不一樣的水果圖片。

建立欲識別圖片的類別名稱(例如 apple、banana、orange、mix)，並上傳對應的水果圖片，讓電腦學習將圖片特徵及類別名稱關聯起來，其實就是為這些圖片進行標註 (label)，而這也就是所謂的「監督式學習 (Supervised Learning)」基本概念。

當將圖片資料與對應的類別名稱都建立好後，我們就算完成了機器學習的第一個步驟 – 收集資料。

接下來我們就可以準備訓練電腦，讓它開始學習認識這些圖片。

Step 2：進行訓練

點擊中間「訓練模型」按鈕來開始進行第二個步驟 – 進行訓練，Teachable Machine 將會根據背後的學習演算法進行訓練，由於Teachable Machine 平台著重的是無程式碼機器學習，所以對初學者來說可以先暫時忽略背後相關技術，待後續學習時可以再深入了解。

如果讀者對機器學習已有了基本認識，或是想要多一點了解，那可以試著點擊「訓練模型」按鈕下方的進階，你將可以看到中間有一些參數是可以調整，以及從右側圖形中深入了解機器學習過程中，每個訓練週期準確率及損失的狀況。而這些參數用法及相關細節我們將會在後續文章仔細說明。

Step 3：預測評估

模型訓練完後，我們可以進行第三個步驟 – 預測評估。讀者可以在 kaggle 所下載的資料集中看到 test 資料夾，這些照片都是機器在學習過程中所沒有看過的圖像，因此可以拿來測試看看效果。

我們試著用一些圖片進行測試，可以明顯發現效果都還不錯(如下圖)。如果發現測試效果不好的圖像時，可以試著理解看看原因與評估方式，思考看看可以用什麼方法解決，例如變更背景/環境等等。而這也是下一篇文章中會介紹給大家的內容。

如果訓練後的模型覺得還不錯想要儲存下來以後使用，可以點擊下圖中的方式，將可下載 .tm 格式的專案檔案，或是將其儲存在 Google 雲端硬碟 ( .zip 格式)。除了存專案檔外，您還可以儲存各類別的所有樣本(典籍類別右上角)或是模型。

到目前為止，我們已經利用 Teachable Machine 平台，透過機器學習三大步驟(收集資料→進行訓練→預測評估)，輕鬆進行了無程式碼機器學習專案，同時訓練出你第一個模型。下面小節將說明如何將訓練好的模型，分別應用在不同裝置或環境中進行創作與應用。

2. 匯出模型應用

首先，我們可以點擊上圖中預覽區上方的「匯出模型」，你將會進入到下方畫面。當匯出模型後，您可以有幾種選擇以及程式代碼片段，來幫助您將模型與應用程式做整合。Tensorflow.js 模型適用於每個 JavaScript 函式庫 (library) 或框架 (framework)，而另外一些框架只支援某些特定模型(例如行動裝置)，使用前可以先確認。我們點選 Tensorflow.js ，然後點擊上傳模型，系統將會將模型上傳到雲端並產生一個連結網址，我們再記得點擊複製連結。