Artificial Intelligence | Software Engineer in Deep Learning

IBM Watson Eğitilmiş Model (Core ML) ile Meyve Tanımlama | iOS

Model üretme aşamaları için IBM Watson Servis ile CoreML için Custom Model Üretme linkinden detaylı inceleyebilirsiniz.
Eğitilmiş Model: ElmaMandalinePortakal.mlmodel

Ekran Görüntüleri:

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “IBM Watson Eğitilmiş Model (Core ML) ile Meyve Tanımlama | iOS”

Ses Tanıma (Voice Recognition) (TensorFlow Lite) | Android

Merhaba, uygulama mobil uygulama içerisinden kayıt edilen seslerin, önceden eğitilmiş seslerden (“okay”,”hi”,”go”,”left”,”right”) hangisine benzediğini tahmin eden basit bir Tensorflow Lite modelin, Android içerisinde kullanma örneğidir. Modelin yaratılması ile ilgili kısımlardan daha çok mobil içerisinde model nasıl kullanılabilir şeklinde yaklaşılmıştır.

TensorflowLite Modeli (VoiceRecognition_output6.tflite ve sesler (modelin yanında olmak zorunda))

Mobil Arayüz:

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Ses Tanıma (Voice Recognition) (TensorFlow Lite) | Android”

Gesture Recognition (TensorFlow Lite) | Android

Merhaba, uygulama mobil uygulama içerisinden çekilen görüntülerin, önceden eğitilmiş el hareketlerinden hangisine benzediğini tahmin eden basit bir Tensorflow Lite modelin, Android içerisinde kullanma örneğidir. Uygulama ile önce arka plan resmi çekilir, ardından el hareketlerinde biri yapılarak tekrar resim çekilir. Arka plan ayrıldıktan sonra ölçeklenip tahminleme yapılabilir. Modelin yaratılması ile ilgili kısımlardan daha çok mobil içerisinde model nasıl kullanılabilir şeklinde yaklaşılmıştır. Çözümleme resim boyutundan dolayı uzun sürebilir.

TensorflowLite Modeli (GestureRecognition_output5.tflite)

Eğitime ait resimler

Mobil Ekran Görüntüleri:

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Gesture Recognition (TensorFlow Lite) | Android”

IBM Watson Servis ile CoreML için Custom Model Üretme

Apple geçtiğimiz günlerde IBM ile işbirliği yaparak, CoreML için makine öğrenimi modellerini eğitmek üzere IBM’in Watson hizmetinden(servislerinden) yararlandığını duyurdu. Yani, artık cihazınız çevrimdışı olduğunda bile, iPhone ve iPad’de Watson makine öğrenim modellerinden yararlanan uygulamalar oluşturabilirsiniz. Uygulamalarınız görüntüleri hızlı bir şekilde analiz edebilir, görsel içeriği doğru bir şekilde sınıflandırabilir ve Watson Servislerini kullanarak modelleri kolayca eğitebilir. Detaylı bilgi için https://developer.apple.com/ibm/

IBM Watson New York merkezli IBM firması tarafından geliştirilen bir yapay zeka programı. Watson’nın en önemli yeteneklerinden biri mükemmel bir veri analizi kabiliyetine sahip olması. Milyarlarca veri içerisinde çok hızlı bir şekilde tarama gerçekleştirerek, doğal dilde sorulan sorulara cevap verebiliyor. Watson süper bilgisayarı 80 teraflop hızında yani saniyede 80 trilyon adet kayan nokta (floating point) işlemi yapabiliyor. Ayrıca süper bilgisayar yüksek kabiliyetli insan fonksiyonlarına cevap verebilmek için 6 milyondan fazla mantık kuralına karşılık gelen 200 milyondan fazla sayfa bilgiyi veri deposunda barındırıyor. Watson barındırdığı yapay zeka algoritmalarıyla da birçok çözümlenmesi zor soruna çözüm sunabiliyor. Watson süper bilgisayarı temel olarak aşağıdaki bileşenleri bünyesinde barındırıyor.

Model oluşturma aşamaları

https://www.ibm.com/cloud/apple-developer Kayıt açmakla başlayabiliriz.

Okumaya devam et “IBM Watson Servis ile CoreML için Custom Model Üretme”

Desen Tanıma (Pattern Recognition TensorFlow Lite) | Android

Merhaba, uygulama mobil uygulama içerisinden seçilen görüntülerin, önceden eğitilmiş desenlerden hangisine benzediğini tahmin eden basit bir TensorflowLite modelin, Android içerisinde kullanma örneğidir. Bu görüntülerden bazıları eğitimde kullanılmış resimlerdir. Modelin yaratılması ile ilgili kısımlardan daha çok mobil içerisinde model nasıl kullanılabilir şeklinde yaklaşılmıştır.

TensorflowLite Modeli (PatternRecognition_output4.tflite)

Mobil Ekran Görüntüleri:

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Desen Tanıma (Pattern Recognition TensorFlow Lite) | Android”

Resimdeki Karakteri (Sayı-Harf) Tanıma (TensorFlow Lite) | Android

Merhaba, uygulama kameradan alınan bir görüntü içerisinde bulunan, el ile yazılmış sayı-harf tahmini yapmaktadır. Tahminleme için önceden eğitilmiş TensorflowLite modeli kullanılmaktadır. Model içerisinde eğitilmiş etiketler : “0”,”1″,”2″,”3″,”4″,”5″,”6″,”7″,”8″,”9″,

“A”,”B”,”C”,”D”,”E”,”F”,”G”,”H”,”I”,”J”,

“K”,”L”,”M”,”N”,”O”,”P”,”Q”,”R”,”S”,”T”,

“U”,”V”,”W”,”X”,”Y”,”Z”,”a”,”b”,”d”,”e”,”f”,”g”,”h”,”n”,”q”,”r”,”t”

olup, 46 tanedir.

Modeli indirin (handwrittingrecognition_output3.tflite)

Bu slayt gösterisi için JavaScript gerekir.

Android Kodlar:

Resim çekme sorunu yaşayanlar (https://developer.android.com/training/camera/photobasics)

Okumaya devam et “Resimdeki Karakteri (Sayı-Harf) Tanıma (TensorFlow Lite) | Android”

Firebase ML Kit ile Görüntü Üzerindeki Metinlerin Tanınması | Android

Uygulama ile Google I/O Mayıs 2018 etkinliğinde duyurulan Firebase ML Kit içesinde hazır olarak kullanılabilen (Model eklenmeden) metin tanıma işlemi gerçekleştirilmiştir. Kameradan çekilen görüntü üzerinde varsa metinlerin, cihaz üzerinde ve Cloud tarafında sorgulanarak tanınması sağlanmıştır.

Bu slayt gösterisi için JavaScript gerekir.

Referanslar: https://firebase.google.com/products/ml-kit/
https://firebase.google.com/docs/ml-kit/android/recognize-text#on-device
https://www.youtube.com/watch?v=T0273WiUQPI
https://developer.android.com/training/camera/photobasics

Okumaya devam et “Firebase ML Kit ile Görüntü Üzerindeki Metinlerin Tanınması | Android”

Hava Durumu Tahmini TensorFlow ile Üretilen Modeli Kullanma (Sorulara verilen yanıta göre tahminleme) | Android

Merhaba, uygulama hava durumuyla ilgili verilerin bulunduğu bir csv dosyasını (2018_weather_data.csv) Tensorflow ile eğitip ardından modelin çıktısını aldıktan sonra Android içerinde kullanma örneğidir. Burada tahmin sıcaklık şeklinde değil daha sıcak veya soğuk olacağı şeklindedir. Amaç csv formatından bir kısım veriyi okutup eğitildikten sonra tensorflow modelini 4 tane input değeri ile 2 output değerini mobil cihaz içerisinde yorumlayabilmektir.

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Hava Durumu Tahmini TensorFlow ile Üretilen Modeli Kullanma (Sorulara verilen yanıta göre tahminleme) | Android”

Core ML ile Doğal Dil İşleme Örneği (NSLinguisticTagger)| IOS

Merhaba, Core ML ile Doğal Dil İşleme üzerine temel bir örnek olması amacıyla hazırlanmıştır. Örnekte arama bölümüne girilen kelime NSLinguisticTagger ile aranacak cümleler içerisinde oluşturduğu etiket şemalarına göre aranıp daha ilgili sonuçlar gözlenmektedir. Örnek için Türkçe uygun cümlele bulamadım ama İngilizce cümlelerden oluşan kümede ‘buy’ ve ‘goose’ sözcükleri aratıldığında bu kelimelerin düzensiz diğer durumlarına rağmen arama sonuçlarında gözlemlenmektedir.

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Core ML ile Doğal Dil İşleme Örneği (NSLinguisticTagger)| IOS”

Core ML ile Kameradan Görüntü Tanımlama (Inceptionv3 Model) | IOS

Merhaba, Core ML ile temel bir örnek olması amacıyla oluşturulmuştur. Örnekte Inceptionv3.mlmodel isimli modelle canlı kamera ile alınan görüntü ile nesne tanımlama yapılmaktadır.

Modelin detayı: Bir resimde baskın bulunan ağaçlar, hayvanlar, yiyecekler, araçlar, insanlar gibi 1000 kategoriden oluşan bir kümeden oluşmaktadır.

//
//  CanliKameraileNesneViewController.swift
//  ML Ornekleri
//
//  Created by Bülent Siyah on 17.06.2018.
//  Copyright © 2018 Bülent Siyah. All rights reserved.
//

import UIKit
import AVFoundation
import Vision

class CanliKameraileNesneViewController:  UIViewController {
    
    @IBOutlet weak var previView2: PreviewView!
    
    @IBOutlet weak var objectTextView2: UITextView!


    
    // Live Camera Properties
    let captureSession = AVCaptureSession()
    var captureDevice:AVCaptureDevice!
    var devicePosition: AVCaptureDevice.Position = .back
    
    var requests = [VNRequest]()
    
    override func viewDidLoad() {
        super.viewDidLoad()
        setupVision()
    }
    
    override func viewWillAppear(_ animated: Bool) {
        super.viewWillAppear(animated)
        prepareCamera()
    }
    
    func setupVision() {
        
        // Rectangle Request
        let rectangleDetectionRequest = VNDetectRectanglesRequest(completionHandler: handleRectangles)
        rectangleDetectionRequest.minimumSize = 0.1
        rectangleDetectionRequest.maximumObservations = 1
        
        // Object Classification
        guard let visionModel = try? VNCoreMLModel(for: Inceptionv3().model) else {fatalError("cant load Vision ML model")}
        
        let classificationRequest = VNCoreMLRequest(model: visionModel, completionHandler: handleClassification)
        classificationRequest.imageCropAndScaleOption = .centerCrop
        
        
        
        self.requests = [rectangleDetectionRequest, classificationRequest]
    }
    
    func handleRectangles (request:VNRequest, error:Error?) {
        DispatchQueue.main.async {
            self.drawVisionRequestResults(request.results as! [VNRectangleObservation])
        }
    }
    
    
    func drawVisionRequestResults (_ results:[VNRectangleObservation]) {
        previView2.removeMask()
        
        let transform = CGAffineTransform(scaleX: 1, y: -1).translatedBy(x: 0, y: -self.previView2.frame.height)
        
        let translate = CGAffineTransform.identity.scaledBy(x: self.previView2.frame.width, y: self.previView2.frame.height)
        
        
        for rectangle in results {
            let rectangleBounds = rectangle.boundingBox.applying(translate).applying(transform)
            previView2.drawLayer(in: rectangleBounds)
        }
        
        
        
    }
    
    func handleClassification (request:VNRequest, error:Error?) {
        guard let observations = request.results else {print("no results:\(String(describing: error?.localizedDescription))"); return}
        
        let classifcations = observations[0...4]
            .flatMap({$0 as? VNClassificationObservation})
            .filter({$0.confidence > 0.3})
            .map({$0.identifier})
        
        for classification in classifcations {
            DispatchQueue.main.async {
                self.objectTextView2.text = classification
            }
        }
        
    }
    
    
}

// CanliKameraileNesneViewController.swift

// ML Ornekleri

// Created by Bülent Siyah on 17.06.2018.

import UIKit

import AVFoundation

import Vision

class CanliKameraileNesneViewController: UIViewController {

@IBOutlet weak var previView2: PreviewView!

@IBOutlet weak var objectTextView2: UITextView!

// Live Camera Properties

let captureSession = AVCaptureSession()

var captureDevice:AVCaptureDevice!

var devicePosition: AVCaptureDevice.Position = .back

var requests = [VNRequest]()

override func viewDidLoad() {

super.viewDidLoad()

setupVision()

}

override func viewWillAppear(_ animated: Bool) {

super.viewWillAppear(animated)

prepareCamera()

}

func setupVision() {

// Rectangle Request

let rectangleDetectionRequest = VNDetectRectanglesRequest(completionHandler: handleRectangles)

rectangleDetectionRequest.minimumSize = 0.1

rectangleDetectionRequest.maximumObservations = 1

// Object Classification

guard let visionModel = try? VNCoreMLModel(for: Inceptionv3().model) else {fatalError("cant load Vision ML model")}

let classificationRequest = VNCoreMLRequest(model: visionModel, completionHandler: handleClassification)

classificationRequest.imageCropAndScaleOption = .centerCrop

self.requests = [rectangleDetectionRequest, classificationRequest]

}

func handleRectangles (request:VNRequest, error:Error?) {

DispatchQueue.main.async {

self.drawVisionRequestResults(request.results as! [VNRectangleObservation])

}

func drawVisionRequestResults (_ results:[VNRectangleObservation]) {

previView2.removeMask()

let transform = CGAffineTransform(scaleX: 1, y: -1).translatedBy(x: 0, y: -self.previView2.frame.height)

let translate = CGAffineTransform.identity.scaledBy(x: self.previView2.frame.width, y: self.previView2.frame.height)

for rectangle in results {

let rectangleBounds = rectangle.boundingBox.applying(translate).applying(transform)

previView2.drawLayer(in: rectangleBounds)

}

func handleClassification (request:VNRequest, error:Error?) {

guard let observations = request.results else {print("no results:\(String(describing: error?.localizedDescription))"); return}

let classifcations = observations[0...4]

.flatMap({$0 as? VNClassificationObservation})

.filter({$0.confidence > 0.3})

.map({$0.identifier})

for classification in classifcations {

DispatchQueue.main.async {

self.objectTextView2.text = classification

}

Okumaya devam et “Core ML ile Kameradan Görüntü Tanımlama (Inceptionv3 Model) | IOS”