MARK KS kampanyası %500’den fazla finanse edildi ve TinkerGen olarak, bir sonraki esnetme hedefimiz olarak hangi ilginç eklemeler ve işlevler olabileceğini düşünüyoruz. Düşünürken, mevcut işlevlerin kalitesini artırmak için durmaksızın çalışmaya devam ediyoruz.
Bugün MARK için yeni bir büyük güncelleme, Codecraft üzerinden indirilebilir olarak yayınlandı. 5010 versiyonundaki büyük değişiklikler şunlardır:
- SD karttan ve flash bellekten yüklenen özel model desteği (5009 yalnızca flash’tan yüklemeyi destekliyordu)
- Tüm önceden eğitilmiş modeller güncellendi, doğrulukları artırıldı
- Önceden yüklenmiş başlangıç programı eklendi
Bu blog yazısında, bu önceden eğitilmiş modelleri nasıl test ettiğimizi ve kullanıcıların onlardan ne tür bir performans bekleyebileceğini kısaca açıklamak istiyoruz.
İşte test ortamımız – flaş kartlar kameradan 35 cm uzaklıkta, aydınlatma Grove Işık Sensörü ile ölçülen yaklaşık 600 ve flaş kartların arkasındaki arka plan beyaz kartondur.
Sonuçlar, dağınık arka plandan yalnızca hafif etkileniyor ve beyaz karton olmadan test yapabiliyoruz, ancak bu şekilde sonuçları yeniden üretmek daha zor olacaktır.
Görüntü tanıma modelleri (aynı zamanda görüntü sınıflandırması olarak da adlandırılır), TAMAMEN görüntüyü bir kategoriden birine sınıflandırmaya çalışır. Bunun düzgün çalışabilmesi için, tanınması gereken nesnenin görüntünün çoğunu kaplaması gerekir. İşte evcil hayvan modelleri ve hayvanat bahçesi hayvanları modellerinin test edilmesi için derleme videosu.
Gerçek hayvanlar veya diğer resimler kullanma hakkında bir not – ağ, yaklaşık 1500 görüntü üzerinde transfer öğrenimi kullanılarak eğitildi, her sınıf için 200+ görüntü. Bu nedenle, gerçek hayvanları/diğer hayvan resimlerini sınıflandırabilecektir, yalnızca örnek kartları değil, yeterince temsilci oldukları sürece. Örneğin, model Alman Çoban Köpeğini köpek olarak tanımakta zorluk çekmeyecek, ancak bu görüntüyü doğru bir şekilde sınıflandırmakta zorlanacaktır.
Sonraki test, nesne tespiti modellerinin test edilmesi – nesne tespiti modelleri görüntüyü bir ızgaraya böler ve ızgara hücrelerinde nesneleri arar. Bu nedenle bu modeller, nesnenin koordinatlarını da çıkartabilir. Eğitilmesi daha karmaşıktır, çünkü modelin yalnızca nesneleri sınıflandırmayı öğrenmesi değil, aynı zamanda nesnelerin etrafındaki sınırlayıcı kutuları doğru bir şekilde ayarlamayı da öğrenmesi gerekir. İşte trafik işaretleri tespit modeli ve rakam tespit modeli için test videosu.
Yukarıda belirtildiği gibi, bu modeller gerçek hayattaki trafik işaretlerini veya hatta el yazısı rakamları tespit edebilecektir – ancak el yazısı rakamlarının performansını güvenilir bir şekilde garanti edemediğimiz için, yalnızca basılı rakamlarla test yapabiliyoruz.
Son önceden eğitilmiş model, test açısından biraz özel – yaygın nesne tanıma modeli, aşağıdaki sınıfları içerir:
- insan
- sandalye
- kitap
- fincan
- kalem
- bilgisayar
- sırt çantası
- pizza
- bomba
Pek çok insan, tanınabilir nesneler listesinde “bomba”yı görünce şaşırıyor. “Bomba”nın dahil edilme nedeni, Otonom sürüş kursunda bir devriye robotu görevimiz olmasıdır. “Bomba” sınıfı, tanıma görevi için yukarıdaki listede bir flaş kartı olan tek nesnedir. Diğer nesneler çevrede kolayca bulunabilir ve farklı boyutlardadır, bu nedenle onlar için yeniden üretilebilir bir test tasarlamak zordur. Genel olarak, bir nesne sınıfının temsilcisi olduğu sürece, bu model tarafından tanınacaktır.
Bizden daha fazla makale ve MARK Kickstarter kampanyası hakkında güncellemeler için bizi takip edin.
Grove Zero serisi, Codecraft ve yapımcılar ve STEM eğitmenleri için diğer donanımlar hakkında daha fazla bilgi için web sitemizi ziyaret edin, https://tinkergen.com/.