Unlimited Plugins, WordPress themes, videos & courses! Unlimited asset downloads! From $16.50/m
Advertisement
  1. Code
  2. Machine Learning

Melatih Model Klasifikasi Gambar Dengan Membuat Machine Learning

by
Length:MediumLanguages:

Indonesian (Bahasa Indonesia) translation by Dian Sapta Priambogo (you can also view the original English article)

Machine Learning itu sangat bagus, tetapi bisa sulit untuk diterapkan dalam aplikasi mobile. Ini terutama berlaku untuk orang-orang tanpa gelar data science. Namun, dengan Core ML, Apple memudahkan Anda untuk menambahkan Machine Learning ke aplikasi iOS Anda yang sudah ada menggunakan platform Create ML yang baru untuk melatih jaringan saraf yang ringan dan khusus.

Sekilas

Apa itu Machine Learning?

Machine Learning adalah penggunaan analisis statistik untuk membantu komputer membuat keputusan dan prediksi berdasarkan karakteristik yang ditemukan dalam data tersebut. Dengan kata lain, itu adalah tindakan memiliki komputer mengurai aliran data untuk membentuk pemahaman abstrak tentang hal itu (disebut "model"), dan menggunakan model itu untuk membandingkannya dengan data yang lebih baru.

Bagaimana Machine Learning Digunakan?

Banyak aplikasi favorit Anda di ponsel Anda cenderung menyertakan Machine Learning. Misalnya, ketika Anda mengetik pesan, koreksi otomatis memprediksi apa yang akan Anda ketik selanjutnya menggunakan model Machine Learning yang terus diperbarui saat Anda mengetik. Bahkan asisten virtual, seperti Siri, Alexa, dan Google Assistant sepenuhnya bergantung pada Machine Learning untuk meniru perilaku mirip manusia.

Memulai

Mari kita gunakan pengetahuan baru Anda tentang Machine Learning untuk benar-benar membangun model pertama Anda! Anda harus memastikan bahwa Anda sudah menginstal Xcode 10, bersama dengan macOS Mojave yang berjalan di Mac pengembangan Anda. Selain itu, saya akan menganggap Anda sudah memiliki pengalaman dengan pengembangan Swift, Xcode, dan iOS secara umum.

1. Kumpulan Data dan Gambar

Dalam tutorial ini, kita akan mengklasifikasikan gambar-gambar berdasarkan apakah mereka memiliki pohon atau bunga. Namun, Anda disarankan untuk mengikuti gambar dan objek Anda sendiri yang ingin Anda klasifikasi. Karena alasan ini, Anda tidak akan diberikan gambar bunga dan pohon yang digunakan dalam contoh ini.

Menemukan Gambar

Jika Anda kesulitan menemukan gambar (atau jika Anda tidak punya cukup gambar), coba PhotoDune atau Google Images. Untuk keperluan belajar, ini sudah cukup bagi Anda untuk memulai. Cobalah untuk menemukan gambar-gambar yang memiliki objek utama yang berbeda (misalnya satu oranye, satu pohon) bukan yang banyak (misalnya tandan pisang, seluruh hutan) untuk menghindari membingungkan model. Tentu saja, Anda selalu dapat menambahkan lebih banyak komplikasi nanti, setelah Anda memiliki pengalaman.

80:20 Aturan Data Science

Di bidang data science, praktik yang baik untuk membagi kumpulan data Anda menjadi dua kategori: satu untuk melatih model, dan satu lagi untuk pengujian. Karena Anda ingin memberikan perhatian pada model aktual Anda, 80% dari dataset Anda harus digunakan untuk pelatihan, dan Anda harus menghemat 20% untuk memastikan semuanya berfungsi sebagaimana mestinya; lagipula, itu juga penting!

Memisahkan Perbedaan

Dengan aturan 80:20 dalam pikiran, lanjutkan dan buat dua folder: Training dan Testing, di mana Anda akan menempatkan jumlah gambar yang tepat ke masing-masing folder. Setelah Anda memiliki 80% data dalam Training dan 20% dalam Testing, akhirnya saatnya untuk membaginya berdasarkan kategori. Sebagai contoh saya, saya akan memiliki dua folder bernama Flowers dan Trees di folder Training saya, dan saya akan memiliki 20% dari gambar yang tidak disortir dalam folder Testing.

Figure 1 Flowers Training DataFigure 1 Flowers Training DataFigure 1 Flowers Training Data
Figure 2 Trees Training DataFigure 2 Trees Training DataFigure 2 Trees Training Data

2. Melatih Model

Jadi, mari selami dan benar-benar membuat model. Anda mungkin terkejut mendengar bahwa sebagian besar pekerjaan Anda sudah selesai! Sekarang, yang harus kita lakukan adalah menulis beberapa kode dan menempatkan Swift dan Xcode untuk melakukan keajaiban untuk kita.

Membuat Playground Baru

Sementara kebanyakan dari kita terbiasa membuat aplikasi iOS yang sebenarnya, kita akan menuju playground kali ini untuk membuat model Machine Learning kita. Menarik, bukan? Jika Anda memikirkannya, itu benar-benar masuk akal — Anda tidak memerlukan semua file tambahan itu tetapi hanya perlu yang bersih untuk memberi tahu Swift cara membuat model Anda. Lanjutkan dan buat playground macOS untuk memulai.

Pertama, buka Xcode.

Figure 3 Open XcodeFigure 3 Open XcodeFigure 3 Open Xcode

Kemudian buat playground baru.

Figure 4 Create a PlaygroundFigure 4 Create a PlaygroundFigure 4 Create a Playground

Dan berikan nama yang berguna.

Figure 5 Name the PlaygroundFigure 5 Name the PlaygroundFigure 5 Name the Playground

Tiga Garis

Berlawanan dengan apa yang mungkin Anda pikirkan, Anda hanya perlu tiga baris kode untuk membuat playground Anda siap untuk melatih model Anda. Hapus semua kode boilerplate yang di-generate secara otomatis, dan kemudian lakukan hal berikut:

Impor API CreateMLUI untuk mengaktifkan Create ML di Swift Playground Anda:

Kemudian, buat sebuah instance dari MLImageClassifierBuilderdan panggil metode showInLiveView(:) untuk dapat berinteraksi dengan kelas dalam antarmuka pengguna yang intuitif di dalam playground Anda:

Figure 6 Create ML CodeFigure 6 Create ML CodeFigure 6 Create ML Code

Bagus! Itu yang perlu Anda lakukan dalam hal kode. Sekarang, Anda akhirnya siap untuk menyeret dan melepaskan gambar Anda untuk membuat model Core ML yang berfungsi penuh.

Seret dan Lepaskan

Sekarang, kita telah mengembangkan antarmuka pengguna di mana kita dapat mulai menambahkan gambar kita dan menyaksikan keajaiban terungkap! Seperti yang disebutkan sebelumnya, saya memiliki tujuh gambar bunga dan tujuh gambar pohon. Tentu saja, ini tidak akan cukup untuk model yang super-akurat, tetapi itu cukup membantu.

Figure 7 Create ML User InterfaceFigure 7 Create ML User InterfaceFigure 7 Create ML User Interface

Saat Anda membuka asisten editor, Anda akan melihat kotak yang bertuliskan Drop Images To Begin Training, tempat Anda dapat menyeret folder Training Anda. Setelah beberapa detik, Anda akan melihat beberapa output di playground Anda. Sekarang Anda siap untuk menguji model Core ML yang baru dibuat.

3. Menguji dan Mengekspor

Setelah Anda selesai melatih model Anda, mudah untuk menguji model dan mengunduhnya untuk digunakan di aplikasi Anda. Anda dapat mengujinya langsung di playground tanpa harus membuat proyek. Ketika Anda tahu bahwa model Anda siap, Anda dapat memasukkannya ke aplikasi iOS (atau macOS).

Menguji Model

Ingat folder Testing yang Anda buat? Lanjutkan dan seret seluruh folder ke playground Anda (tempat Anda menjatuhkan gambar Training sebelumnya di tutorial). Anda harus melihat gambar Anda muncul dalam daftar, bersama dengan apa yang model pikirkan masing-masing. Anda mungkin terkejut — bahkan dengan data yang sangat sedikit, Anda masih bisa mendapatkan model yang cukup akurat.

Figure 9 Testing Data OutputFigure 9 Testing Data OutputFigure 9 Testing Data Output

Mengunduh Model

Ketika Anda puas dengan model Anda, Anda dapat mengekspornya dalam format Core ML dan menggunakannya di aplikasi Anda. Di sebelah Image Classifier, lanjutkan dan klik downward facing arrow untuk mengungkapkan beberapa bidang yang dapat Anda ubah untuk mengubah nama, penulis, atau deskripsi model Anda. Anda juga dapat memilih tempat untuk mengunduhnya.

Ketika Anda menekan tombol Save biru, file .mlmodel Anda akan muncul di lokasi yang Anda inginkan. Jika Anda tertarik, Anda juga dapat membaca output di playground untuk mempelajari informasi seperti ketepatan, daya ingat, dan di mana model Anda disimpan.

Figure 10 Exporting the ModelFigure 10 Exporting the ModelFigure 10 Exporting the Model

Menggunakan Model

Tutorial ini mengasumsikan Anda terbiasa dengan model-model Core ML secara umum, tetapi saya akan menjelaskan secara singkat cara kerjanya. Untuk informasi lebih lanjut tentang cara menggunakan model setelah ada di aplikasi Anda, Anda dapat membaca tutorial saya yang lain:

Untuk menggunakan model, seret ke proyek Xcode Anda (seperti halnya file gambar atau audio). Kemudian, impor Core ML ke file tempat Anda ingin menggunakannya. Dengan beberapa langkah tambahan, Anda harus dapat memperlakukan model seperti kelas Swift dan memanggil metode seperti yang dijelaskan dalam tutorial saya yang lain.

Untuk informasi lebih lanjut tentang cara melakukan ini, Anda juga dapat mengunjungi dokumentasi Apple dan membaca tentang cara mengintegrasikan Machine Learning ke dalam aplikasi Anda.

Kesimpulan

Dalam tutorial ini, Anda belajar cara membangun jaringan saraf klasifikasi gambar khusus dengan mudah sambil hanya menulis tiga baris kode. Anda melatih model ini dengan data Anda sendiri, dan kemudian menggunakan 20% dari itu untuk menguji model. Setelah berfungsi, Anda mengekspornya dan menambahkannya ke aplikasi Anda sendiri.

Saya harap Anda menikmati tutorial ini, dan saya sangat menyarankan Anda melihat beberapa kursus dan tutorial Machine Learning kami lainnya di sini di Envato Tuts+!

Jika Anda memiliki komentar atau pertanyaan, jangan ragu untuk meninggalkannya di bagian komentar di bawah ini.

Advertisement
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.