- Lerne, wie du dein maschinelles Lernmodell in eine App integrierst
- Beginne mit der Programmierung deiner App-Integration
Das sind die Aktivitäten für diese Lektion:
DEIN MODELL ZU INTEGRIEREN
Inzwischen hat dein Team hoffentlich
- trainiert sein KI-Modell anhand eines gesunden Datensatzes.
- getestet das Modell mit neuen und vielfältigen Daten
Aber du kannst es nicht einfach so stehen lassen!
Es ist dein Ziel, dass dein Modell Entscheidungen auf Grundlage seiner Prognosen trifft.
Du musst dein Modell in eine App implementieren um es nützlich zu machen.
AUSWAHL EINER PLATTFORM
Es kommt darauf an, welche Plattform du für die Programmierung deiner App verwendest:
- welche Plattform du für die Programmierung einer mobilen App bevorzugst
- welche Plattform du zum Trainieren deines Modells verwendet hast
Im Folgenden findest du die Plattformen für maschinelles Lernen, die in Lektion 5 besprochen werden. Klicke auf jede, um einige Optionen für die Integration des Modells in eine App zu sehen.
Teachable Machine ist eine sehr vielseitige Plattform. Du kannst dein Modell in der Cloud oder als Datei speichern, so dass du viele Möglichkeiten zur Integration mit Codierungsplattformen hast.
Dieses Video beschreibt, wie du dein Modell exportierst.
- App Inventor hat eine Lehrbares Maschinenbild extension, die von Fabiano Oliveira beigesteuert wurde und die heruntergeladen und in die Schublade der Erweiterungen importiert werden kann.
- Teachable Machine bietet Code-Snippets für die Integration mit Tensorflow, einer Bibliothek für maschinelles Lernen. Es bietet 3 Code-Snippet-Optionen:
- Tensorflow.js - Die Javascript-Sprache ermöglicht es dir, eine Webseite oder eine Web-App zu erstellen.
- Tensorflow - Python-Sprache zum Erstellen von Webanwendungen.
- Tensorflow Lite - Java-Sprache zum Erstellen von mobilen Apps.
Alle 3 Codeschnipsel liefern dir eine Modelldatei und Code zum Kopieren. Je nach Sprache musst du eventuell Bibliotheken und Code-Editoren installieren. Die Links zu den Anleitungen findest du im jeweiligen Code-Snippet.
Dies sind die Schritte für die Verwendung der Option Tensorflow.js:
- Kopiere den Code und füge ihn in eine neue leere Textdatei auf deinem Computer ein.
- Speichere sie als index.html (oder etwas anderes mit einer .html-Erweiterung).
- Öffne die Datei in einem Webbrowser. Es wird eine einfache Oberfläche angezeigt, auf der du ein mit der Webcam aufgenommenes Bild anhand deines Modells klassifizieren kannst.
- Wenn du anstelle der Webcam ein Bild zur Klassifizierung hochladen möchtest, funktioniert dieser Code. (Mit freundlicher Genehmigung von Chris Hoyean Song) Kopiere einfach die URL deines Modells aus dem ursprünglichen Code-Snippet in diese Datei.
- Kopiere den Code und füge ihn in eine neue leere Textdatei auf deinem Computer ein.
Die Optionen Tensorflow und Tensorflow Lite erfordern eine unterschiedliche Installation von Software und Programmierbibliotheken. Auf der Github-Seite findest du weitere Anweisungen.
Technovation Integrationen: Python, App Inventor
Derzeit ist die einzige Integration für Machine Learning for Kids, die für Junior und Senior voll funktionsfähig ist, Python.
Wenn du mehr über die Integration deines Machine Learning for Kids-Modells in Python erfahren möchtest, probiere eines der Arbeitsblätter auf dieser Seite aus. Wähle Python aus dem Dropdown-Menü Make Type.
MIT App Inventor ist eine Option für die Integration, aber nicht alle Datensatztypen sind voll funktionsfähig. Schau auf der Website von Machine Learning for Kids nach, um sicherzustellen, dass dein Datensatz mit App Inventor kompatibel ist.
Erweiterungen/Extensions in App Inventor sind externe Komponenten, die die Funktionalität einer App erweitern, aber nicht Teil der Kernkomponenten von App Inventor sind.
Wenn du dein Bild- oder Tonmodell mit den Klassifikator-Webseiten von App Inventortrainiert hast(Bild/image, Ton/sound), kannst du eine Erweiterung in App Inventor nutzen, um dein Modell in deiner mobilen App zum Leben zu erwecken.
- Klicke in der Designerpalette auf Extension.
- Klicke auf Import Extension.
- Klicke auf Choose File und wähle die Erweiterungsdatei aus, die du von der Erweiterungsseite oben heruntergeladen hast.
- Klicke auf die Schaltfläche Import, um die Erweiterung und ihre Blöcke zu importieren.
Du musst auch eine WebViewer-Komponente zu deinem Projekt hinzufügen. Du findest sie in der Schublade "Benutzeroberfläche".
Im folgenden Beispiel zeigen wir, wie du den Bildklassifikator einrichtest, aber es funktioniert genauso mit dem Audioklassifikator, wenn dein Modell Geräusche beinhaltet.
Um dein Modell mit dem Klassifikator zu verknüpfen, lade das Modell zunächst von der Website des Klassifikators herunter und dann,
- Wähle die Komponente PersonalImageClassifer aus.
- Klicke im Eigenschaftenfenster unter Modell auf "Keine" und lade die heruntergeladene Datei model.mdl hoch. (Die Datei kann beliebig umbenannt werden, muss aber die Erweiterung .mdl im Namen haben).
- Klicke auf "Keine" unter WebViewer und wähle die WebViewer-Komponente aus, die du gerade zum Projekt hinzugefügt hast.
Beachte die Eigenschaft "InputMode", die entweder Video oder Bild sein kann. Wenn du "Video" auswählst, wird ständig versucht, den Video-Feed zu klassifizieren, der im WebViewer angezeigt wird. Wenn du Bild auswählst, musst du eine Kamera- oder ImagePicker-Komponente hinzufügen, um ein Bild zur Klassifizierung zu erhalten. Damit die Bildklassifizierung funktioniert, brauchst du immer noch die WebViewer-Komponente.
Mit Ximilar erstellte Modelle können mit einer API verwendet werden, um sie in eine App zu integrieren.
Du kannst die Web-API-Komponente in Thunkable verwenden, um ein externes Modell von einer Plattform wie Ximilar in eine App zu integrieren. Hinweis: Wir werden die APIs in Thunkable in der nächsten Einheit behandeln.
Schau dir den zweiten Teil von Prathams Video an, in dem er sein Korallen-KI-Modell von Lektion 5 in eine Thunkable-Mobil-App einbaut.
AKTIVITÄT: INTEGRIERE DEIN KI-MODELL
Integriere auf der Grundlage der von dir gewählten Plattform
- Überprüfe, was für deine spezielle Plattform erforderlich ist, um dein trainiertes KI-Modell zu einem Projekt hinzuzufügen.
- Erstelle ein neues Projekt auf der von dir gewählten Plattform und füge dein Modell hinzu. Wie du dabei vorgehst, hängt von dem Prozess für deine jeweilige Plattform ab.
- Ergreife Maßnahmen! Füge der Plattform Komponenten und Code hinzu, damit dein Projekt auf Grundlage der Vorhersage deines Modells eine Aktion ausführt.
REFLEXION
Du hast begonnen, den Aktionsteil deiner KI-App zu programmieren! Hier kannst du die Ergebnisse deines Modells sehen und was es wirklich kann!
Jetzt ist ein guter Zeitpunkt, um mit deinem Projektplan zu überprüfen, wie dein Projekt vorankommt. Vielleicht möchtest du die Zeitpläne und Aufgaben an die Plattform anpassen, die du verwendest, und die Schritte, die du brauchst, um die Ziele deines Projekts zu erreichen.
Sobald du deinen Code zum Laufen gebracht hast, ist es an der Zeit, dich bei deinen Nutzern zu melden. Finde ein paar Leute, die deine App testen und dir Feedback geben.
ÜBERPRÜFUNG DER SCHLÜSSELBEGRIFFE
- Software - Bezeichnung für Programme oder Anwendungen, die auf einem Computer oder Gerät laufen
- Erweiterungen/Extensions - Softwarepakete, die Funktionen zu bestehenden Programmen hinzufügen
ZUSÄTZLICHE RESSOURCEN
Marshmallow-Sortierer mit Teachable Machine und Coral.
Schau dir diese Videos über fortgeschrittene KI-Tools an!
- Google Colab,Codieren in Python
- DialogFlow - Teil 1 mit Google AppSheets
- Dialogflow - Teil 2 und ein Virtual Assistant
