Sizin gibi okuyucular MUO'yu desteklemeye yardımcı oluyor. Sitemizdeki bağlantıları kullanarak bir satın alma işlemi gerçekleştirdiğinizde, bir ortaklık komisyonu kazanabiliriz.
Makine öğrenimi, modern dünyada temel bir teknolojidir. Bilgisayarlar, minimum insan müdahalesi ile görüntüleri tanımayı, resim yapmayı ve hatta kendi kodlarını yazmayı öğrenebilir.
Ancak makine öğrenimi nasıl çalışır ve bunu kendiniz nasıl kullanabilirsiniz?
Makine Öğrenimi Nedir?
Makine öğrenimi nispeten basit bir kavramdır. Bilgisayar sistemleri, bilgi havuzlarından mevcut veri modellerini analiz ederek öğrenebilir ve uyum sağlayabilir. Bu genellikle insanlardan açık talimatlar olmadan yapılır.
İyi bir örnek, sanal asistan araçları biçiminde gelir. Siri, Cortana ve Google Asistan, insan konuşmasını anlamak için makine öğreniminden kapsamlı bir şekilde yararlanır. Bu, mevcut ses kayıtlarından oluşan bir havuzla başlar, ancak bu araçlar aynı zamanda sizinle olan etkileşimlerinden de öğrenebilir. Bu onların kendilerini geliştirmelerini sağlar.
ml5.js nedir?
Çoğu makine öğrenimi algoritması ve aracı, kodları için R veya Python kullanır, ancak ml5.js farklıdır. Google'ın Tensorflow.js kitaplığı için bir arayüz görevi gören ml5.js, makine öğrenimini JavaScript geliştiricilerinin eline veren açık kaynaklı bir projedir.
HTML'nize tek bir harici komut dosyası ekleyerek ml5.js'yi kendi web uygulamanız için kullanmaya başlayabilirsiniz.
Makine Öğrenimine Başlarken: Öğrenme Süreci
Bir makine öğrenimi algoritmasını eğitmek zaman alır. Bilgisayarlar insanlardan çok daha hızlı öğrenir, ancak aynı zamanda farklı şekillerde de öğrenirler. Neyse ki ml5.js, bu adımı atlayabilmeniz için önceden eğitilmiş bir dizi modelle birlikte gelir.
Öğrenme makine öğrenimi algoritmaları nasıl eğitilir? bunun gibi araçları daha iyi anlamanın harika bir yoludur.
ml5.js, web sitenizde çalıştırılacak bir görüntü sınıflandırma aracı oluşturmayı kolaylaştırır. Bu örnekteki HTML sayfası, bir resim seçmek için bir dosya giriş alanı içerir. Yüklenen resimler, ml5.js'nin bunları taramasına ve tanımlamasına olanak sağlamak için hazırlanmış bir HTML öğesinin içinde görüntülenir.
1. Adım: ml5.js Kitaplığını dahil edin
Bu projenin çalışması için iki kitaplık gerekir: ml5.js ve p5.js. ml5.js, makine öğrenimi kitaplığıdır, p5.js ise görüntülerle düzgün şekilde çalışmayı mümkün kılar. Bu kitaplıkları eklemek için iki HTML satırına ihtiyacınız var:
<komut dosyası kaynağı="https://cdnjs.cloudflare.com/ajax/libs/p5.js/1.0.0/p5.min.js"></script>
<komut dosyası kaynağı="https://unpkg.com/ml5@latest/dist/ml5.min.js"></script>2. Adım: Bazı HTML Öğeleri Oluşturun
Ardından, bazı HTML öğeleri oluşturma zamanı. En önemlisi, kimliğe ve nihai sonucu saklayacak imageResult etiketli sınıfa sahip bir div'dir:
<h1>MakeUseOf Görüntü Sınıflandırıcı</h1><h2>Tıklamak "Dosya seçin" Resim Eklemek için</h2>
<div sınıfı="resimSonucu" kimlik="resimSonucu"></div>
Bunu takiben, programın sınıflandırması için görüntüyü toplamak üzere bir dosya giriş öğesi ekleyin.
<div sınıfı="görüntü girişi">
<giriş türü="dosya"
girişte="uploadedImage.src=pencere. URL.createObjectURL(this.files[0]); ImageScan()'i başlat">
</div>
Giriş, bir oninput olayını dinler ve yanıt olarak noktalı virgülle ayrılmış iki ifadeyi yürütür. İlki, görüntü için bir nesne URL'si oluşturur; bu, verileri bir sunucuya yüklemek zorunda kalmadan verilerle çalışmanıza olanak tanır. İkincisi, sonraki adımda oluşturacağınız bir startImageScan() işlevini çağırır.
Son olarak, kullanıcının yüklediği resmi görüntülemek için bir img öğesi ekleyin:
<img sınıfı="yüklenenResim" kimlik="yüklenenResim" />3. Adım: Bir Görüntü Tarama JS İşlevi Oluşturun
Artık biraz HTML'ye sahip olduğunuza göre, karışıma biraz JS eklemenin zamanı geldi. Son adımda oluşturduğunuz imageResult öğesini depolamak için bir const değişkeni ekleyerek başlayın.
sabit eleman = belge.getElementById("imageResult");Ardından, startImageScan() adlı bir işlev ekleyin ve bunun içinde MobileNet kullanarak ml5.js görüntü sınıflandırıcısını başlatın.
Bunu classifier.classify komutu ile takip edin. Sonucu işlemek için bir geri arama işleviyle birlikte daha önce eklediğiniz uploadedImage öğesine bir referans iletin.
işlevImageScan'i başlat() {
// Yaratmak A değişkenile ml5.js görüntü sınıflandırıcısını başlat ile MobilNet
const sınıflandırıcı = ml5.imageClassifier('MobilNet');
classifier.classify (document.getElementById("yüklenenResim"), imageScanResult);
eleman.innerHTML = "...";
}4. Adım: Bir Sonuç Görüntüleme İşlevi Oluşturun
Ayrıca, gerçekleştirdiğiniz görüntü sınıflandırmasının sonuçlarını görüntülemek için bir işleve ihtiyacınız vardır. Bu işlev, hataları kontrol etmek için basit bir if ifadesi içerir.
işlevgörüntüTaramaSonucu(hata, sonuçlar) {
eğer (hata) {
element.innerHTML = hata;
} başka {
izin vermek sayı = sonuçlar[0].kendinden emin * 100;
element.innerHTML = sonuçlar[0].label + "<br>Kendinden emin: " + say.toFixed (0) + "%";
}
}Adım 5: Hepsini Bir Araya Getirin
Son olarak, tüm bu kodu bir araya getirmenin zamanı geldi. Dikkatli olmak önemlidir
,
