ML(머신러닝) : 구글 티처블 머신(Teachable Machine) 시작 하기

 

< 티처블 머신(Teachable Machine) >

# 티처블 머신(Teachable Machine)은 구글이 개발한 웹 기반의 머신러닝 플랫폼

# 이 플랫폼은 사용자가 간단한 인터페이스를 통해 이미지, 음성 또는 동작과 같은 데이터를 입력하고, 이를 기반으로 모델을 학습시킬 수 있고, 사용자는 이를 통해 기계에게 어떤 입력이 어떤 출력을 가져오는지를 가르칠 수 있다.

# https://teachablemachine.withgoogle.com/

Teachable Machine

 

< 질병 데이터를 가지고 티처블 머신을 이용하여 학습 예측해 보자 >

# 시작하기를 누르고, 새 프로젝트에서 '이미지 프로젝트' 생성

 

# 대부분 표준 이미지 모델로 사용하면 문제없이 학습된다.

 

# 내가 사용할 이미지 데이터는

# Bacterial Pneumonia, covid-19, Healthy, Viral Pneumonia 네가지 유형의 이미지 데이터를 학습시킬 예정

 

# 학습 데이터 유형 개수와 동일하게 클래스를 추가하여 명칭도 맞춰주는것이 좋다.

 

# 업로드를 누르고 이미지 파일을 직접 드래그해 넣으면 된다.

# 4가지 모두 동일하게 첨부후 데이터 학습을 실행

# 학습중에는 탭을 전환하거나 끄면 안되고 해당 창을 켜놓은채로 유지해야 한다.

 

# 고급설정을 보면 에포크 및 배치크기도 설정할수있고,

# 클래스별 정확도와 혼동 행렬도 확인할 수 있다.

 

# 한번 학습된 머신으로 예측을 진행해보자.

# 사진 파일을 올려서 테스트할 것이니 유형을 파일로 변경

 

# 테스트용으로 따로 분류해둔 파일에서 covid-19 파일을 넣어보자

 

# 잘맞춰내는걸 볼수있다.

 

# 이제 학습된 머신의 코드를 노트북 환경(통합 개발 환경(IDE) 에서 실행해 보자.

# 모델 내보내기를 하여 모델을 다운받는다. 원하는 경로에 h5. label 파일 확인

 

 

# 나는 주피터노트북에서 실행해보기 위해 해당 코드를 복사해왔고, 다른 환경에서 실행하고싶을경우 맞는 코드로 복사해서 사용하면 된다.

 

# 우선 임포트문을 먼저 실행해주고

from keras.models import load_model  # TensorFlow is required for Keras to work

from PIL import Image, ImageOps  # Install pillow instead of PIL

import numpy as np

# Disable scientific notation for clarity

np.set_printoptions(suppress=True)

 

# 다운받은 모델을 load로 불러와서 실행하여야 함.

# Load the model

model = load_model("keras_model.h5", compile=False)

# Load the labels

class_names = open("labels.txt", "r").readlines()

# Create the array of the right shape to feed into the keras model

# The 'length' or number of images you can put into the array is

# determined by the first position in the shape tuple, in this case 1

data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)

# () 파라미터 안에 파일은 평가하려는 파일이 바뀔때마다 경로 및 파일명을 바꿔주어야함.

# Replace this with the path to your image

image = Image.open("/content/viral_testing (1).jpeg").convert("RGB")

# resizing the image to be at least 224x224 and then cropping from the center

size = (224, 224)

image = ImageOps.fit(image, size, Image.Resampling.LANCZOS)

# turn the image into a numpy array

image_array = np.asarray(image)

# Normalize the image

normalized_image_array = (image_array.astype(np.float32) / 127.5) - 1

# Load the image into the array

data[0] = normalized_image_array

# Predicts the model

prediction = model.predict(data)

index = np.argmax(prediction)

class_name = class_names[index]

confidence_score = prediction[0][index]

# Print prediction and confidence score

print("Class:", class_name[2:], end="")

print("Confidence Score:", confidence_score)

 

# 99퍼센트로 잘 예측한걸 볼수있다.

 

다음 실습으로 한번더 진행