Pembelajaran Mendalam
Mengapa Tensorflow adalah pilihan tepat untuk membangun proyek yang didukung oleh Computer Vision
Dijelaskan oleh seorang AI engineer yang mengerjakan aplikasi Computer Vision
Bergabunglah dengan ratusan pelanggan <buletin mingguan» saya jika Anda tertarik untuk mempelajari dan mengikuti perkembangan terbaru di bidang Machine Learning. Didasari oleh pengalaman saya sebagai Machine Learning Engineer :)
Aplikasi Visi Komputer
Tidak ada seminggu berlalu tanpa mendengar tentang aplikasi baru dari computer vision. Jika Anda melihat pasar kerja untuk pembelajaran mesin, Anda akan melihat bahwa ada begitu banyak perusahaan yang menggunakan visi komputer untuk melakukan berbagai hal keren.
Ini berkat pembelajaran mendalam!
Saya telah melihat aplikasi seluler yang menggunakan visi komputer untuk memberi tahu Anda berapa banyak kalori yang Anda miliki dalam makanan dari gambar piring Anda.
Saya pernah melihat produk yang menggunakan computer vision untuk mendeteksi kapal yang berlabuh di pelabuhan.
Saya pernah melihat drone yang menggunakan computer vision untuk melacak kualitas panel surya.
Saya pribadi mengerjakan solusi visi komputer untuk memeriksa mesin dan sasis pesawat besar. Saya juga pernah mengerjakan masalah OCR (pengenalan karakter optik) yang menggunakan visi komputer untuk memahami penulisan dokumen guna mengotomatiskan berbagai proses.
Sebagian besar penerapan ini tidak mungkin dilakukan sebelum era pembelajaran mendalam!
Pembelajaran mendalam adalah bidang yang penuh matematika, ada banyak konsep matematika yang mendasari cara kerja jaringan saraf. Tanpa merangkum konsep-konsep matematika yang sulit ini, kita mungkin tidak akan melihat banyak penerapan visi komputer yang dikombinasikan dengan pembelajaran mendalam, di dunia nyata.
Di sinilah alat pembelajaran mendalam seperti Tensorflow dan PyTorch dapat membantu!
Kedua alat ini merupakan kerangka kerja yang memungkinkan “kemudahan” membangun dan menggunakan jaringan saraf untuk beberapa aplikasi, termasuk aplikasi visi komputer. Pada artikel kali ini saya akan lebih banyak membahas tentang Tensorflow.
Mengapa Tensorflow?
Jika Anda melakukan penelusuran online, Anda akan menemukan banyak artikel dan laporan yang membandingkan Tensorflow dan Pytorch. Mereka menyatakan titik-titik kekuatan dan titik-titik kelemahan yang berbeda dari kedua kerangka tersebut. Saya tidak akan melakukan perbandingan itu di sini. Sebagai gantinya, saya akan menyebutkan keunggulan Tensorflow yang menjadikannya alat yang mematikan bagi siapa pun yang ingin membuat aplikasi visi komputer yang didukung oleh pembelajaran mendalam.
Tensorflow adalah alat hebat untuk membangun jaringan neural dalam dan Anda harus menggunakannya karena alasan berikut:
- Itu dibuat dan didukung oleh Google. Ini berarti Anda memiliki beberapa insinyur terbaik di dunia yang mengembangkan dan memeliharanya. Ini juga berarti bahwa selalu ada peningkatan dan fitur.
- Ini adalah sumber terbuka. Ini berarti Anda dapat melihat kodenya sendiri dan bahkan berkontribusi pada basis kode jika Anda mau.
- Ada banyak (dan maksud saya banyak!) implementasi berbagai teknik pembelajaran mendalam yang dijelaskan dalam makalah ilmiah. Ini adalah favorit pribadi saya.
- Anda memiliki banyak opsi untuk penerapan. Jika Anda ingin menerapkan model Anda pada perangkat edge, ada TFLite. Jika Anda ingin menerapkannya di browser, Anda memiliki Tensorflow.js. Jika Anda ingin menerapkannya sebagai bagian dari aplikasi C++, Anda memiliki Tensorflow C++ API. Jika Anda ingin menerapkan model Anda di cloud, ada layanan Tensorflow.
Bagaimana Tensorflow dapat membantu Anda membuat produk Computer Vision
Anda dapat membangun jaringan saraf dari awal untuk memecahkan masalah tertentu. Anda hanya perlu memetakan tugas spesifik yang ingin Anda tangani.
Terkadang Anda perlu melakukan klasifikasi gambar, terkadang Anda ingin menggunakan deteksi objek atau segmentasi gambar, dan terkadang Anda ingin menggunakan teknik lain. Berdasarkan pilihan ini, Anda dapat membangun jaringan saraf dan melatihnya dari awal untuk mencapai tujuan Anda.
Tensorflow juga menawarkan berbagai API yang memungkinkan kemudahan penggunaan berbagai jenis model pembelajaran mendalam. Misalnya, jika masalah Anda dapat diselesaikan menggunakan deteksi objek, Anda dapat menggunakan API Deteksi Objek Tensorflow. Anda memiliki beberapa model terlatih di sana, yang dapat Anda pilih dan Anda dapat memanfaatkan kekuatan pembelajaran transfer untuk melatih model deteksi objek yang kuat bahkan dengan jumlah data yang terbatas.
Hal lain yang sangat menarik tentang bagaimana Anda dapat menggunakan Tensorflow untuk membuat produk Computer Vision adalah bahwa ada banyak proyek yang dibuat oleh komunitas sumber terbuka menggunakan Tensorflow. Ini berarti Anda dapat mengambil proyek tersebut dan membuat perubahan yang diperlukan agar proyek tersebut dapat berfungsi dengan produk Anda sendiri. Tentu saja dengan tetap menghormati persyaratan lisensi!
Untuk menerapkan model, Anda juga memiliki beberapa opsi bergantung pada kasus penggunaan Anda. Jika Anda belum familiar dengan istilah deployment, berikut penjelasan singkat dan singkatnya.
Penerapan adalah saat Anda mengambil model terakhir yang dilatih dan meletakkannya di lingkungan produksi. Misalnya, mengintegrasikan model Anda dengan aplikasi seluler atau sebagai bagian dari aplikasi desktop C++.
Seperti yang saya sebutkan sebelumnya, Tensorflow menawarkan banyak opsi untuk menerapkan model pembelajaran mendalam Anda. Jika Anda ingin menerapkan model Anda sebagai bagian dari aplikasi seluler maka Anda dapat menggunakan TFLite. Jika Anda ingin men-deploy model menggunakan Javascript, misalnya sebagai bagian dari ekstensi Chrome, Anda dapat menggunakan Tensorflow.js.
Jika Anda ingin men-deploy model Anda di server (misalnya di cloud), Anda dapat menggunakan penyajian Tensorflow.
Sumber daya gratis untuk mulai mempelajari Tensorflow
Ada banyak sumber daya online untuk mulai mempelajari Tensorflow. Yang pertama adalah situs web Tensorflow resmi. Di sana, Anda akan menemukan banyak tutorial dan dokumentasi tentang berbagai metode yang diterapkan di Tensorflow. Ini adalah sumber daya yang akan Anda gunakan meskipun Anda sudah menjadi ahlinya, pengembang Tensorflow. Google telah membuat dokumentasi yang ditulis dengan sangat baik dan komprehensif tentang kerangka kerja tersebut.
Tempat lain di mana Anda dapat menemukan sumber daya gratis untuk mempelajari Tensorflow adalah YouTube. Ada banyak video tutorial yang dapat Anda gunakan untuk mempelajari berbagai hal yang dapat Anda lakukan dengan Tensorflow.
Satu hal yang mungkin kurang dalam sumber daya yang disebutkan sebelumnya adalah umpan balik. Sulit mendapatkan masukan dari orang yang mengeposkan video di YouTube meskipun Anda mengeposkan komentar. Dan saya sangat mengerti alasannya. Sulit untuk membuat komentar Anda diperhatikan ketika ada ratusan atau ribuan komentar yang diposting di satu video.
Inilah alasan saya membuat kursus Tensorflow gratis yang berfungsi sebagai pengenalan tentang cara menggunakan framework ini untuk membangun jaringan neural, khususnya untuk aplikasi Computer Vision. Ini adalah kursus 4 jam yang membahas langkah demi langkah tentang cara membangun jaringan neural menggunakan Tensorflow. Panduan ini juga membahas cara menyiapkan kumpulan data untuk pelatihan menggunakan kelas dan metode Tensorflow.
Dalam kursus ini, Anda dapat mengajukan pertanyaan apa pun kepada saya dan saya akan melakukan yang terbaik untuk menjawab semua pertanyaan Anda. Pada gambar di bawah, Anda akan melihat komentar dari seorang siswa yang mengajukan beberapa pertanyaan dalam kursus tersebut.
Kesimpulan
Dalam artikel ini, saya menguraikan beberapa poin menarik tentang mengapa Anda harus mempelajari Tensorflow jika Anda ingin membuat produk visi komputer yang didukung oleh pembelajaran mendalam. Saya juga menguraikan beberapa sumber daya gratis yang dapat Anda gunakan untuk mempelajari cara menggunakan kerangka kerja yang kuat ini.
Saya seorang Insinyur Pembelajaran Mesin yang bekerja memecahkan masalah visi komputer yang menantang. Saya menulis postingan kecil tentang ML setiap hari di LinkedIn dan Twitter untuk membantu pengikut saya tetap mendapatkan informasi terbaru tentang apa yang terjadi di bidang kami.
