Я занимался самообучением в области ИИ и машинного обучения почти два года и обнаружил, что выполнение проектов очень важно для самообучения, потому что это помогает нам решить настоящую проблему и запачкать руки в технологии, которую мы используем. учатся.

Я хочу поделиться процессом проекта со всеми, кто только начинает заниматься ИИ и машинным обучением, чтобы вы могли получить представление о сквозном процессе любого проекта ИИ. Я подробно покажу вам каждый шаг от сбора данных, подготовки данных, обработки данных, разработки функций, обучения модели, развертывания модели и того, как подключить любого клиента к модели, которую я построил.

Этот проект я разделю на 3 части:

  1. Обзор проекта и архитектура: я расскажу о своем приложении, о том, как я его построил, а также о технологии, которая будет использоваться в проекте.
  2. Обучение модели: я буду включать сбор данных, предварительную обработку данных, обучение модели с использованием Keras и передачу обучения.
  3. Развертывание модели: вы можете развернуть свою модель с помощью flask, быстрого API или Django, но в моем случае я хочу, чтобы моя модель работала в автономном режиме, поэтому я покажу вам, как вы можете преобразовать модель в TensorFlow lite для использования в мобильном приложении.

1. Обзор проекта

Институт, в котором я учусь, расположен на горе, и в сезон дождей там много грибов, и иногда мы хотим собрать грибы в лесу, но не уверены, какой гриб опасный или ядовитый. Из-за этой проблемы мне пришла в голову идея создать мобильное приложение, которое может идентифицировать гриб, а также сообщать пользователю, съедобен он или нет.

2. Архитектура проекта

В этом проекте я буду загружать изображения грибов из Kaggle, в котором есть около 16 типов грибов, а затем использовать эти данные для обучения модели TensorFlow с помощью трансферного обучения. После обучения я выполняю квантование модели, чтобы уменьшить память модели. что делает его легким для использования в мобильном приложении

набор данных: https://www.kaggle.com/datasets/chipprogrammer/mashroom-image-classification

3. Заключение

В этой статье вы уже знаете обзор проекта, а также архитектуру приложения, в моем плане я подробно объясню вам, как я строю модель, измеряю производительность модели, а также развертывание и разработку мобильных приложений в следующая статья.