Ссылка на официальный сайт https://teachablemachine.withgoogle.com/
Ссылка на git https://github.com/googlecreativelab/teachablemachine-community/
Teachable Machine - это удобный инструмент для обучения моделей машинного обучения, который позволяет обучать компьютер распознавать изображения, звуки и позы без необходимости писать код. Инструмент легок в использовании и не требует создания аккаунта для начала работы.
Teachable Machine - это удобный инструмент для обучения моделей машинного обучения, который позволяет обучать компьютер распознавать изображения, звуки и позы без необходимости писать код. Инструмент легок в использовании и не требует создания аккаунта для начала работы. Один из главных преимуществ Teachable Machine - это возможность сохранения результатов работы. Пользователи могут сохранять весь проект на Google Диск, скачивать образцы и сохранять модель, что позволяет сохранить результаты работы на будущее.
Кроме того, платформа Teachable Machine разрабатывается и обновляется командой Google Creative Lab, что говорит о ее высоком качестве и надежности. В целом, Teachable Machine - это полезный инструмент для тех, кто хочет быстро и легко создавать модели машинного обучения, без необходимости писать код. Он предлагает множество способов сохранения результатов работы, что делает его еще более привлекательным для использования.
Для использования Teachable Machine необходимо загрузить изображения на сайт для каждого класса. В каждом классе может быть любое количество изображений (в моем случае от 14 до 17 шт). Настройки по умолчанию в области Обучение не требуют изменений, можно переходить к следующему шагу. Обучение модели занимает меньше минуты.
После обучения можно проверить, как модель работает. Если результаты удовлетворительны, можно экспортировать модель. Программа предлагает множество вариантов, как сохранить модель - можно скачать на компьютер, загрузить на github и т.д.
В целом, Teachable Machine является полезным инструментом для создания простых моделей машинного обучения без необходимости писать код. Однако, перед использованием следует учитывать его возможные ограничения и необходимость выбора более продвинутых инструментов для более сложных задач машинного обучения.
