Pembaca seperti Anda membantu mendukung MUO. Saat Anda melakukan pembelian menggunakan tautan di situs kami, kami dapat memperoleh komisi afiliasi.
Pembelajaran mesin adalah teknologi fundamental di dunia modern. Komputer dapat belajar mengenali gambar, membuat karya seni, dan bahkan menulis kode mereka sendiri, semuanya dengan sedikit campur tangan manusia.
Tapi bagaimana cara kerja pembelajaran mesin dan bagaimana Anda bisa menggunakannya sendiri?
Apa itu Pembelajaran Mesin?
Pembelajaran mesin adalah konsep yang relatif sederhana. Sistem komputer dapat belajar dan beradaptasi dengan menganalisis pola data yang ada dari kumpulan informasi. Ini biasanya dilakukan tanpa instruksi eksplisit dari manusia.
Contoh yang baik datang dalam bentuk alat asisten virtual. Siri, Cortana, dan Asisten Google semuanya menggunakan pembelajaran mesin secara ekstensif untuk memahami ucapan manusia. Ini dimulai dengan kumpulan rekaman audio yang ada, tetapi alat ini juga dapat belajar dari interaksi yang mereka lakukan dengan Anda. Hal ini memungkinkan mereka untuk memperbaiki diri mereka sendiri.
Apa itu ml5.js?
Sebagian besar algoritme dan alat pembelajaran mesin menggunakan R atau Python untuk kodenya, tetapi ml5.js berbeda. Bertindak sebagai antarmuka untuk pustaka Tensorflow.js Google, ml5.js adalah proyek sumber terbuka yang menempatkan pembelajaran mesin ke tangan pengembang JavaScript.
Anda dapat mulai menggunakan ml5.js untuk aplikasi web Anda sendiri dengan menyertakan satu skrip eksternal di HTML Anda.
Memulai Pembelajaran Mesin: Proses Pembelajaran
Melatih algoritme pembelajaran mesin membutuhkan waktu. Komputer belajar jauh lebih cepat daripada manusia, tetapi mereka juga belajar dengan cara yang berbeda. Untungnya, ml5.js hadir dengan pilihan model terlatih sehingga Anda dapat melewati langkah ini.
Sedang belajar bagaimana algoritma pembelajaran mesin melatih adalah cara yang bagus untuk lebih memahami alat seperti ini.
ml5.js memudahkan pembuatan alat pengklasifikasi gambar untuk dijalankan di situs web Anda. Halaman HTML dalam contoh ini berisi field input file untuk memilih gambar. Gambar yang diunggah ditampilkan di dalam elemen HTML yang telah disiapkan untuk memungkinkan ml5.js memindai dan mengidentifikasinya.
Langkah 1: Sertakan Library ml5.js
Proyek ini membutuhkan dua pustaka untuk berfungsi: ml5.js dan p5.js. ml5.js adalah perpustakaan pembelajaran mesin, sementara p5.js memungkinkan untuk bekerja dengan gambar dengan benar. Anda memerlukan dua baris HTML untuk menambahkan pustaka ini:
<skrip src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/1.0.0/p5.min.js"></script>
<skrip src="https://unpkg.com/ml5@latest/dist/ml5.min.js"></script>Langkah 2: Buat Beberapa Elemen HTML
Selanjutnya, saatnya membuat beberapa elemen HTML. Yang paling penting adalah div dengan ID dan imageResult berlabel kelas yang akan menyimpan hasil akhir:
<h1>Pengklasifikasi Gambar MakeUseOf</h1><h2>Klik "Pilih File" untuk Menambahkan Gambar</h2>
<kelas div="imageResult" id="imageResult"></div>
Setelah ini, tambahkan elemen input file untuk mengumpulkan gambar agar program dapat mengklasifikasikan.
<kelas div="imageInput">
<jenis masukan="mengajukan"
pada masukan="uploadImage.src=jendela. URL.createObjectURL(ini.berkas[0]); mulaiImageScan()">
</div>
Input mendengarkan event oninput dan mengeksekusi dua pernyataan sebagai tanggapan, dipisahkan oleh titik koma. Yang pertama membuat URL objek untuk gambar, yang memungkinkan Anda bekerja dengan data tanpa harus mengunggahnya ke server. Yang kedua memanggil fungsi startImageScan() yang akan Anda buat di langkah berikutnya.
Terakhir, tambahkan elemen img untuk menampilkan gambar yang telah diunggah pengguna:
<kelas img="uploadImage" id="uploadImage" />Langkah 3: Buat Fungsi JS Pemindaian Gambar
Sekarang setelah Anda memiliki beberapa HTML, saatnya menambahkan beberapa JS ke dalam campuran. Mulailah dengan menambahkan variabel const untuk menyimpan elemen imageResult yang Anda buat di langkah terakhir.
const elemen = dokumen.getElementById("imageResult");Selanjutnya, tambahkan fungsi bernama startImageScan() dan, di dalamnya, inisialisasi pengklasifikasi gambar ml5.js menggunakan MobileNet.
Ikuti ini dengan perintah classifier.classify. Berikan referensi ke elemen uploadImage yang Anda tambahkan sebelumnya, bersama dengan fungsi callback untuk memproses hasilnya.
fungsistartImageScan() {
// Membuat A variabelke inisialisasi pengklasifikasi gambar ml5.js dengan MobileNet
pengklasifikasi const = ml5.imageClassifier('MobileNet');
classifier.mengklasifikasikan (document.getElementById("uploadImage"), imageScanResult);
elemen.innerHTML = "...";
}Langkah 4: Buat Fungsi Tampilan Hasil
Anda juga memerlukan fungsi untuk menampilkan hasil klasifikasi citra yang Anda lakukan. Fungsi ini berisi pernyataan if sederhana untuk memeriksa kesalahan apa pun.
fungsiimageScanResult(kesalahan, hasil) {
jika (kesalahan) {
element.innerHTML = kesalahan;
} kalau tidak {
membiarkan jumlah = hasil[0].kepercayaan diri * 100;
element.innerHTML = hasil[0].label + "<br>Kepercayaan diri: " + num.toFixed (0) + "%";
}
}Langkah 5: Gabungkan Semuanya
Terakhir, saatnya menggabungkan semua kode ini. Sangat penting untuk memperhatikan
,