Students Save 30%! Learn & create with unlimited courses & creative assets Students Save 30%! Save Now
Advertisement
  1. Code
  2. Machine Learning
Code

Formación de Modelo de Clasificación de Imagen Con Create ML

by
Length:MediumLanguages:

Spanish (Español) translation by Jean Perez (you can also view the original English article)

El aprendizaje automático es genial, pero puede ser difícil de implementar en aplicaciones móviles. Esto es especialmente cierto para la gente sin un grado de ciencia de los datos. Con base ML, sin embargo, Apple hace fácil añadir el aprender de máquina para su aplicación de iOS existentes utilizando la plataforma de crear ML nuevo para la formación de redes neuronales ligeras, personalizadas.

De un Vistazo

¿Qué Es el Aprendizaje Automático?

El aprendizaje automático es el uso de análisis estadísticos para ayudar a los equipos a tomar decisiones y predicciones basadas en las características encontradas en los datos. En otras palabras, es el acto de tener un análisis de computadora un flujo de datos para formar una comprensión abstracta de (llamado un "modelo") y usar ese modelo para comparar con los datos más recientes.

¿Cómo Se Utiliza?

Muchas de sus aplicaciones favoritas en el teléfono suelen incorporar el aprender de máquina. Por ejemplo, cuando estás escribiendo un mensaje, Autocorrección predice lo que vas a escribir siguiente con un modelo de aprendizaje automático que se actualiza constantemente mientras escribe. Asistentes virtuales incluso, como Siri, Alexa y Google asistente dependen totalmente de aprender a imitar el comportamiento humano como la máquina.

Para Empezar

Vamos a usar finalmente su nuevo conocimiento sobre aprendizaje para realmente construir su primer modelo de máquina! Usted necesitará asegurarse de que tener 10 de Xcode instalado, junto con macOS Mojave en su desarrollo Mac. Además, supondré que ya tienes experiencia con desarrollo de Swift, Xcode e iOS en general.

1. Conjunto de Datos e Imágenes

En este tutorial, a clasificar imágenes basadas en si tienen un árbol o una flor. Sin embargo, es aconsejable que sigas con tus propias imágenes y objetos para clasificar en su lugar. Por esta razón, no se proporcionará con las imágenes de la flor y del árbol utilizadas en este ejemplo.

Búsqueda de Imágenes

Si usted está teniendo problemas para encontrar imágenes (o si no tienes suficiente de sus propias imágenes), probar PhotoDune o Google Imágenes. Para los propósitos de aprendizaje, esto debería ser suficiente para que usted pueda comenzar. Tratar de encontrar imágenes que tienen un objeto principal distintivo (por ejemplo, una naranja, un árbol) en lugar de múltiples (por ejemplo racimos de plátanos, bosques enteros) para evitar confundir el modelo para comenzar. Por supuesto, puede siempre añadir más complicaciones más tarde, después de haber tenido alguna experiencia.

Regla de la Ciencia de Datos 80:20

En el campo de la ciencia de los datos, es una buena práctica a sus conjuntos de datos se dividen en dos categorías: una para el modelo de formación y uno para la prueba. Puesto que desea dar a su modelo actual más la atención, el 80% de su conjunto de datos puede usarse para el entrenamiento, y debe guardar 20% para asegurarse de que todo está funcionando como debería; después de todo, también es importante!

Partir de la Diferencia

Con la regla 80: 20 en mente, seguir adelante y crear dos carpetas: Entrenamiento y Pruebas, donde pondremos la cantidad de imágenes en cada una de las carpetas. Una vez que tienes el 80% de sus datos de Entrenamiento y 20% en Pruebas, es finalmente tiempo para dividirse por categoría. Para mi ejemplo, voy a tener dos carpetas llamadas Flores y Arboles en mi carpeta de Entrenamiento, y tengo 20% de las imágenes sin clasificar en mi carpeta de Prueba.

Figure 1 Flowers Training Data
Figure 2 Trees Training Data

2. Modelo de Entrenamiento

Por lo tanto, vamos a bucear en y realmente crear el modelo. Puede que se sorprenda al oír que la mayor parte de su trabajo ya está hecho! Ahora, todo nos queda para hacer es escribir algo de código y poner Swift y Xcode para trabajar para hacer la magia por nosotros.

Creación de un Nuevo Patio de Juegos

Mientras que la mayoría de nosotros se utilizan para la creación de aplicaciones de iOS reales, a ser fuimos al patio de recreo esta vez para crear nuestro modelos de aprendizaje de máquina. Interesante, ¿no? Si lo piensas bien, realmente tiene sentido — no necesita todos esos archivos extras, pero basta una pizarra limpia a Swift como crear el modelo. Seguir adelante y crear un parque de macOS para empezar.

En primer lugar, abrir Xcode.

Figure 3 Open Xcode

Crear un nuevo patio de juegos.

Figure 4 Create a Playground

Y darle un nombre útil.

Figure 5 Name the Playground

Las Tres Líneas

Contrario a lo que usted puede haber pensado, sólo tiene tres líneas de código para obtener su patio listo para entrenar el modelo. Eliminar todo el código repetitivo que se genera automáticamente y luego hacer lo siguiente:

Importar el API de CreateMLUI para Permitir Crear ML en Su Patio de Swift:

A continuación, crear una instancia de la MLImageClassifierBuilder y llame al método showInLiveView(:) para poder interactuar con la clase en una intuitiva interfaz de usuario dentro de su patio:

Figure 6 Create ML Code

¡Excelente! Eso es todo lo que necesita hacer en términos de código. Ahora, usted está finalmente listo para arrastrar y soltar las imágenes para crear un modelo completamente funcional de base ML.

Arrastrar y Soltar

Ahora, hemos desarrollado una interfaz de usuario donde podemos comenzar a añadir nuestras imágenes y ver el despliegue mágico! Como se mencionó anteriormente, tengo siete imágenes de flores y siete imágenes de árboles. Por supuesto, esto no será suficiente para un modelo muy preciso, pero hace el truco.

Figure 7 Create ML User Interface

Cuando abres el editor asistente, usted verá una caja que dice Tirar Imágenes para Comenzar Entrenamiento, donde puede arrastrar la carpeta de Entrenamiento. Después de un par de segundos, usted verá algunas salida en su patio. Ahora estás listo para probar el modelo Core ML recién hecho.

3. Prueba y Exportación

Después de terminar el modelo de formación, es fácil probar el modelo y descargar para utilizar en tus aplicaciones. Usted puede probar justo en su patio sin tener que crear un proyecto. Cuando usted sabe que el modelo está listo, usted puede ponerlo en una aplicación de iOS (o macOS).

Probando el Modelo

¿Recuerde que la carpeta de Prueba que creó? Seguir adelante y arrastre la carpeta entera en su patio (donde bajó las imágenes de Entrenamiento anteriormente en el tutorial). Deberías ver tus imágenes aparecen en una lista, junto con lo que piensa el modelo de que cada uno de ellos es. Puede que se sorprenda, incluso con tan pocos datos, usted todavía puede obtener un modelo bastante preciso.

Figure 9 Testing Data Output

Descarga el Modelo

Cuando esté satisfecho con su modelo, puede exportarlo en el formato de base ML y utilizarlo en sus aplicaciones. Al lado del Clasificador de Imagen, siga adelante y haga clic en la flecha hacia abajo para revelar algunos campos que se pueden modificar para cambiar el nombre, autor o descripción de su modelo. También puede elegir donde descargarlo.

Al golpear el el botón azul Guardar, el archivo .mlmodel aparecerá en la ubicación deseada. Si estás interesado, que puedes también leer la salida en el patio de recreo para conocer información como la precisión de la memoria, y donde el modelo fue salvado.

Figure 10 Exporting the Model

Utilizando el Modelo

Este tutorial asume que estás familiarizado con los modelos ML de base en general, pero voy a explicar brevemente cómo funciona. Para obtener más información sobre cómo utilizar el modelo una vez que esté en su aplicación, pueden leer mi otro tutorial:

Para utilizar el modelo, la arrastre a su proyecto Xcode (como lo haría con un archivo de imagen o audio). A continuación, importar ML de base en el archivo donde desea utilizarlo. Con unos pasos adicionales, usted debe ser capaz de tratar el modelo como una rápida clase y llamar métodos en él como se describe en mi otro tutorial.

Para más información sobre cómo hacerlo, también puede visitar la documentación de Apple y leer acerca de cómo integrar su aplicación de aprendizaje automático.

Conclusión

En este tutorial, aprendió a construir fácilmente una red neuronal de la clasificación de imagen personalizada escribiendo sólo tres líneas de código. Había formado este modelo con sus propios datos y luego utiliza 20% de la misma para probar el modelo. Una vez que estaba trabajando, exportado y había agregado a su propia aplicación.

Espero que te haya gustado este tutorial, y animan fuertemente que usted compruebe algunos de nuestro otros cursos y tutoriales aquí en Envato Tuts+ de aprendizaje de máquina!

Si usted tiene comentarios o preguntas, por favor no dude en dejar abajo en la sección siguiente.

Advertisement
Advertisement
Looking for something to help kick start your next project?
Envato Market has a range of items for sale to help get you started.