Dalam proyek klasifikasi gambar di Teachable Machine, apa langkah pertama untuk memungkinkan model belajar membedakan objek?

• Tulis kode program untuk pengenalan objek

• Unggah atau ambil contoh gambar untuk setiap kelas

• Atur ukuran output model

• Unduh model ke komputer

Jika gambar pelatihan untuk satu kelas diambil dari hanya satu sudut dan pencahayaan yang sama, apa kemungkinan terbesar yang akan terjadi?

• Model menjadi lebih cepat untuk dipanggil

• Model kesulitan mengenali objek dalam kondisi yang berbeda

• Model dapat mengenali semua objek dengan akurat

• Model tidak memerlukan pelatihan

Kenapa penting untuk menyediakan banyak variasi gambar di setiap kelas saat melatih model di Teachable Machine?

• Supaya ukuran file model lebih besar

• Supaya model dapat mengenali objek dalam berbagai kondisi nyata

• Supaya proses pelatihan menjadi lebih lambat

• Untuk mengurangi jumlah kelas

Seorang siswa ingin melatih Teachable Machine untuk mengenali jenis buah. Dia mengunggah 30 gambar apel dan 30 gambar jeruk. Namun, semua gambar jeruk diambil dengan latar belakang yang sama. Apa dampak negatif yang mungkin muncul?

• Model akan mendeteksi latar belakang, bukan buahnya

• Model akan mengabaikan warna buah

• Model tidak dapat membedakan antara apel dan jeruk

• Model akan berhenti bekerja

Fitur 'Ekspor Model' di Teachable Machine digunakan untuk...

• Menyimpan dataset dalam format gambar

• Mengunduh model yang telah dilatih untuk digunakan di aplikasi lain

• Menghapus model yang telah dilatih

• Mengubah jenis model menjadi pengenalan audio

Jika model membuat prediksi yang salah untuk gambar baru, apa langkah terbaik yang harus diambil?

• Hapus semua dataset

• Tambahkan lebih banyak gambar contoh yang beragam ke kelas terkait

• Ubah mode dari gambar ke suara

• Gunakan model tanpa perubahan

Apa perbedaan utama antara data pelatihan dan data pengujian di Teachable Machine?

• Data pelatihan digunakan untuk melatih model, sedangkan data pengujian digunakan untuk mengukur kinerjanya

• Data pelatihan lebih kecil dari data pengujian

• Data pengujian digunakan sebelum data pelatihan diunggah

• Data pelatihan hanya terdiri dari audio

Kenapa penting untuk menyeimbangkan jumlah gambar di setiap kelas saat melatih model di Teachable Machine?

• Untuk mempercepat proses unggah

• Untuk mencegah model menjadi bias terhadap kelas tertentu

• Supaya model hanya mengenali satu kelas

• Untuk membuat file model lebih ringan

Jika Anda ingin membuat model yang dapat membedakan antara kucing, anjing, dan burung, maka di Teachable Machine...

• Buat hanya satu kelas dengan semua gambar

• Buat tiga kelas, satu untuk masing-masing: kucing, anjing, dan burung

• Buat dua kelas: hewan berkaki empat dan hewan berkaki dua

• Gabungkan semua gambar hewan ke dalam satu kelas

Setelah model dilatih dan diuji di Teachable Machine, apa yang harus dilakukan jika Anda ingin menggunakannya di situs web sekolah?

• Hapus semua dataset dari akun

• Ekspor model ke format yang sesuai dan integrasikan dengan kode web

• Ubah kelas model menjadi 'situs web'

• Unggah kembali gambar ke situs sekolah