Как создать систему распознавания изображений с помощью ИИ? Пошаговое руководство

Как создать систему распознавания изображений с помощью ИИ? Пошаговое руководство
Ваш телефон узнаёт кошку на фотографии, автомобиль читает дорожный знак, умная дверь проверяет лицо. За всеми этими системами стоит распознавание изображений. Хорошая новость в том, что для создания такой системы не нужно знать сложное программирование. В этом руководстве мы покажем, как за 30 минут создать собственную модель распознавания изображений с помощью бесплатного инструмента, не написав ни строчки кода.
Что такое система распознавания изображений и как она работает?
Распознавание изображений — это технология, которая учит компьютер определять, что изображено на фотографии. Это одно из основных применений Computer Vision (компьютерного зрения). Система работает на основе Machine Learning (машинного обучения): вместо того чтобы прописывать компьютеру каждое правило, ему показывают примеры изображений, а он сам находит различия.
В этом проекте мы дадим системе примеры и их названия. Обучение на примерах, для которых правильный ответ заранее известен, называется Supervised Learning (обучение с учителем).
Что понадобится для проекта?
- компьютер или ноутбук с камерой (или заранее сделанные фотографии),
- подключение к интернету и современный браузер,
- 2–3 предмета, которые вы хотите распознавать (например, книга, ручка и бутылка с водой),
- 20–30 минут времени.
В качестве инструмента мы будем использовать бесплатную платформу Google Teachable Machine. Она работает в браузере и не требует регистрации. Интерфейс инструмента со временем может меняться, поэтому названия кнопок могут немного отличаться.
Пошаговое руководство
1. Откройте проект
Зайдите на сайт Teachable Machine, нажмите «Get Started» и выберите Image Project. Затем выберите вариант Standard image model.
2. Создайте классы
Система изучает каждый предмет как отдельный класс. Замените названия «Class 1», «Class 2» названиями предметов, например «Книга», «Ручка», «Бутылка с водой». Рекомендуется добавить ещё один класс, например «Пустой фон»: тогда система будет распознавать и ситуацию, когда ничего не показывают.
3. Соберите примеры изображений
Для каждого класса нажмите кнопку «Webcam» и сделайте снимки камерой или загрузите готовые изображения с компьютера. Эти изображения станут Training Data (обучающими данными) модели. Для каждого класса сделайте не менее 20–30 снимков.
4. Обучите модель
Нажмите кнопку «Train Model». Система выявляет закономерности в изображениях. Этот процесс происходит с помощью нейронной сети и обычно занимает от нескольких секунд до нескольких минут. Во время обучения не закрывайте страницу.
5. Проверьте модель
Когда обучение закончится, в разделе «Preview» покажите камере один из предметов. Система покажет процент для каждого класса, например «Книга 94%». Проверьте с разных ракурсов, при разном освещении и на новых предметах.
6. Улучшите результат и поделитесь им
Если модель ошибается, это нормально. Добавьте больше снимков в тот класс, где она ошибается, и обучите заново. Когда результат вас устроит, с помощью кнопки «Export Model» можно сохранить модель или получить ссылку, которой можно поделиться.
5 советов, как повысить точность
- Делайте разнообразные снимки. Показывайте предмет под разными углами, с разных расстояний и при разном освещении.
- Меняйте фон. Если все снимки сделаны на одном фоне, модель может выучить фон вместо предмета.
- Держите количество снимков в классах равным. Если в одном классе 100 снимков, а в другом 10, модель будет склоняться к первому.
- Не берите очень похожие предметы. Сначала начните с разных предметов, потом усложняйте.
- Проверяйте на новых снимках. Модель должна узнавать новые примеры, а не те изображения, которые она видела при обучении.
Частые проблемы
- Модель относит всё к одному классу. Различий между классами мало или снимков слишком мало. Добавьте больше разнообразных примеров.
- Не работает камера. Проверьте, что в браузере разрешён доступ к камере.
- Результат нестабилен. При смене освещения и фона точность может падать. Добавьте снимки в разных условиях.
Безопасность и этика
При работе с камерой желателен присмотр родителей или учителя. Не снимайте и не загружайте фотографии лиц других людей без их разрешения. В проектах, связанных с лицами, особенно важна защита личных данных.
Идеи для следующих проектов
- Система, которая сортирует виды мусора (пластик, бумага, стекло).
- Система распознавания жестов рук (например, «да», «нет», «стоп»).
- Простая система для проверки предметов в школьном рюкзаке.
- Система, различающая листья растений.
Чтобы развивать проект дальше и подключать модель к программе или роботу, потребуются уже знания в области программирования.
Вывод
Создание системы распознавания изображений — один из самых простых способов для детей и подростков увидеть искусственный интеллект на практике. Этот проект показывает, что качество системы зависит от количества и разнообразия примеров и что модель может ошибаться. Это понимание закладывает основу критического мышления в отношении искусственного интеллекта.
Teachable Machine — это первый шаг. Если вы хотите создавать модели на собственном коде и подключать их к приложениям и роботам, курс по инженерии искусственного интеллекта (AI Engineering) в JET School даёт системный путь от проекта без кода к настоящим проектам в области искусственного интеллекта.
Связанные термины:
- (будет добавлено позже)

Автор
Лейла Гараева
AI Разработчик




-1795183559500.webp&w=1920&q=64)


-1795092244613.webp&w=1920&q=64)