- Apprenez à intégrer votre modèle d'apprentissage automatique dans une application.
- Commencez à coder l'intégration de votre application
Voici les activités de cette leçon :
INTÉGRER VOTRE MODÈLE
A ce jour, votre équipe a, je l'espère,
- a entraîné son modèle d'IA à l'aide d'un ensemble de données saines.
- testé le modèle avec des données nouvelles et diverses
Mais il ne faut pas en rester là !
Vous voulez que votre modèle prenne action sur la base de la prédiction qu'il fait.
Vous devrez mettre en œuvre votre modèle dans une application pour le rendre utile.
LE CHOIX D'UNE PLATE-FORME
Le choix de la plateforme utilisée pour coder votre application dépend de votre situation :
- quelle est votre préférence en matière de plateforme de codage d'applications mobiles
- la plate-forme que vous avez utilisée pour former votre modèle
Vous trouverez ci-dessous les plateformes d'apprentissage automatique abordées dans l'unité 5. Cliquez sur chacune d'entre elles pour voir les possibilités d'intégration du modèle dans une application.
Teachable Machine est une plateforme très polyvalente. Vous pouvez enregistrer votre modèle dans le nuage ou sous forme de fichier, ce qui vous offre de nombreuses possibilités d'intégration avec des plateformes de codage.
Cette vidéo décrit comment exporter votre modèle.
- App Inventor dispose d'une extension Teachable Machine Image Classification, créée par Fabiano Oliveira, qui peut être téléchargée et importée dans le tiroir d'extension.
- Teachable Machine fournit des extraits de code pour intégrer Tensorflow, une bibliothèque d'apprentissage automatique. Il propose 3 options d'extraits de code :
- Tensorflow.js - Le langage Javascript vous permettra de créer une page web ou une application web.
- Tensorflow - Langage Python pour créer des applications web.
- Tensorflow Lite - Langage Java pour créer des applications mobiles.
Les trois extraits de code vous fournissent un fichier modèle et du code à copier. Selon la langue, vous devrez peut-être installer des bibliothèques et des éditeurs de code. Des liens vers les instructions sont fournis avec l'extrait de code.
Voici les étapes à suivre pour utiliser l'option Tensorflow.js :
- Copiez le code et collez-le dans un nouveau fichier texte vierge sur votre ordinateur.
- Enregistrez le fichier sous le nom index.html (ou quelque chose d'autre avec une extension .html).
- Ouvrez le fichier dans un navigateur web. Il fournira une interface de base où vous pourrez classer une image capturée avec la webcam en fonction de votre modèle.
- Si vous souhaitez pouvoir télécharger une image à classer, au lieu de la webcam, ce code fonctionne. (Avec l'aimable autorisation de Chris Hoyean Song) Veillez simplement à copier l'URL de votre modèle depuis votre extrait de code original vers ce fichier.
- Copiez le code et collez-le dans un nouveau fichier texte vierge sur votre ordinateur.
Les options Tensorflow et Tensorflow Lite nécessitent une installation différente du logiciel et des bibliothèques de codage. Consultez le site github pour plus d'instructions.
Intégrations Technovation : Python, App Inventor
Actuellement, la seule intégration pour Machine Learning for Kids qui fonctionne pleinement pour les divisions Junior et Senior est Python.
Pour en savoir plus sur l'intégration de votre modèle Machine Learning for Kids à Python, essayez l'une des feuilles de travail de cette page. Sélectionnez Python dans le menu déroulant Make Type.
MIT App Inventor est une option d'intégration, mais tous les types d'ensembles de données ne sont pas entièrement fonctionnels. Consultez le site Web Machine Learning for Kids pour vous assurer que votre jeu de données est compatible avec App Inventor.
Les extensions dans App Inventor sont des composants externes qui ajoutent des fonctionnalités à une application, mais qui ne font pas partie des composants principaux d'App Inventor.
Une fois que vous avez formé votre modèle d'image ou de son à l'aide des sites Web de classification d'App Inventor(image, son), vous utiliserez une extension dans App Inventor pour donner vie à votre modèle dans votre application mobile.
- Cliquez sur Extension dans la palette du concepteur.
- Cliquez sur Importer l'extension.
- Cliquez sur Choose File et choisissez le fichier d'extension que vous avez téléchargé depuis la page des extensions ci-dessus.
- Cliquez sur le bouton Importer pour importer l'extension et ses blocs.
Vous devez également ajouter un composant WebViewer à votre projet. Il se trouve dans le tiroir Interface utilisateur.
Dans l'exemple ci-dessous, nous montrons comment configurer le classificateur d'images, mais cela fonctionne à peu près de la même manière avec le classificateur audio, si votre modèle comporte des sons.
Pour relier votre modèle au classificateur, téléchargez d'abord le modèle à partir du site web du classificateur, puis..,
- Sélectionnez le composant PersonalImageClassifer.
- Dans le panneau Propriétés, cliquez sur "Aucun" sous Modèle et chargez le fichier model.mdl téléchargé. (Le fichier peut être renommé n'importe comment, mais son nom doit comporter l'extension .mdl).
- Cliquez sur "Aucun" sous WebViewer et sélectionnez le composant WebViewer qui vient d'être ajouté au projet.
Notez la propriété "InputMode", qui peut être soit Video, soit Image. Si vous choisissez vidéo, il essaiera en permanence de classer le flux vidéo qui apparaît dans le WebViewer. Si vous choisissez Image, vous devrez ajouter un composant Camera ou ImagePicker pour obtenir une image à classer. Vous aurez toujours besoin du composant WebViewer pour que la classification des images fonctionne.
Les modèles réalisés avec Ximilar peuvent être utilisés avec une API pour les intégrer dans une application.
Vous pouvez utiliser le composant Web API dans Thunkable pour intégrer un modèle externe provenant d'une plateforme comme Ximilar dans une application. Note : Nous couvrirons les API dans Thunkable dans l' unité suivante.
Regardez la deuxième partie de la vidéo de Pratham pour incorporer son modèle d'IA corallienne de l'unité 5 dans une application mobile Thunkable.
ACTIVITÉ : INTÉGRER VOTRE MODÈLE D'INTELLIGENCE ARTIFICIELLE
Intégrer en fonction de la plateforme choisie
- Examinez ce qui est nécessaire pour votre plateforme particulière afin d'ajouter votre modèle d'IA formé à un projet.
- Créez un nouveau projet dans la plateforme que vous avez choisie et ajoutez votre modèle. La manière de procéder dépend de la procédure en vigueur dans votre plate-forme.
- Passez à l'action ! Ajoutez des composants et du code à la plateforme pour que votre projet prenne une mesure basée sur la prédiction de votre modèle.
RÉFLEXION
Vous avez commencé à coder la partie action de votre application d'IA ! C'est ici que vous pouvez voir les résultats de votre modèle et ce qu'il peut réellement faire !
C'est le moment de consulter votre plan de projet/plan de travail pour voir où en est votre projet. Il se peut que vous souhaitiez ajuster les délais et les tâches en fonction de la plateforme que vous utilisez et des étapes nécessaires pour atteindre les objectifs de votre projet.
Une fois que votre code fonctionne, il est également temps de vérifier auprès de vos utilisateurs. Trouvez des personnes qui testeront votre application et vous feront part de leurs commentaires.
RÉVISION DES TERMES CLÉS
- Logiciel - Terme désignant les programmes ou les applications qui fonctionnent sur un ordinateur ou un appareil.
- Extensions - ensembles de logiciels qui ajoutent des fonctionnalités à des programmes existants
RESSOURCES SUPPLÉMENTAIRES
Trieur de guimauves à l'aide de Teachable Machine et Coral.
Découvrez ces vidéos sur des outils d'IA plus avancés !
- Google Colabcodage en Python
- DialogFlow - Partie 1 avec Google AppSheets
- Dialogflow - Partie 2 et assistant virtuel
