Quiz on Image Classification with Teachable Machine

Dalam proyek klasifikasi gambar di Teachable Machine, langkah pertama yang harus diambil agar model dapat belajar membedakan objek adalah...

• Menulis kode untuk pengenalan objek

• Mengunggah atau mengambil gambar sampel untuk setiap kelas

• Menetapkan ukuran output model

• Mengunduh model ke komputer

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

• Model menjadi lebih cepat untuk dipanggil

• Model mengalami 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 'Export Model' di Teachable Machine digunakan untuk...

• Menyimpan dataset dalam format gambar

• Unduh model yang dilatih untuk digunakan di aplikasi lain

• Menghapus model yang dilatih

• Mengubah jenis model menjadi pengenalan audio

Jika model membuat prediksi yang salah untuk gambar baru, langkah terbaik yang harus diambil adalah...

• 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

Why is it important to balance the number of images in each class when training the model in Teachable Machine?

• So that the upload process is faster

• To prevent the model from being biased towards certain classes

• So that the model only recognizes one class

• So that the model file is lighter

Jika Anda ingin membuat model yang dapat membedakan antara kucing, anjing...

• A. Dibuat satu kelas saja dengan semua gambar

• B. Dibuat tiga kelas, masing-masing untuk kucing, anjing, dan burung

• C. Dibuat dua kelas: hewan berkaki empat dan hewan berkaki dua

• D. Menggabungkan semua gambar hewan dalam satu kelas

Ketika mengumpulkan data gambar untuk melatih model Teachable Machine, apa yang harus dipertimbangkan?

• Variasi sudut gambar

• Pencahayaan yang bervariasi

• Menggunakan hanya satu latar belakang untuk semua gambar

• Kualitas gambar yang jelas