Machine Learning descomplicado com ML5.js

Conhecida como uma biblioteca amigável para machine learning, ml5.js é uma das alternativas mais acessíveis para você que deseja se aventurar no mundo do Machine Learning. Meses atrás eu descobri esta biblioteca web através do canal coding train.

O que é machine Learning?

Antes de entramos em detalhe se você nunca ouviu falar em Machine Learning, algo que entrou no hype na computação com uma série de recursos possíveis graças a computação na nuvem e a infinidade de dados que possuímos atualmente, mas Machine Learning existe na computação desde a década de 40.

Quando umas das definições mais clássicas foram criadas por Arthur Samuels:

É o campo de estudo onde são dados aos computadores a capacidade de aprender algo sem ser explicitamente programado.

Uma ótima definição feita no canal coding train com uma simples comparação na programação clássica temos o seguinte algoritmo:

if(mouseX > 200) {
  console.log("lado direito");
} else {
  console.log("lado esquerdo");
}Code language: JavaScript (javascript)

Já com Machine Learning passamos uma série de dados:

• 300 – direita
• 401 – direita
• 210 – direita
• 100 – esquerda
• 87 – esquerda
• 24 – esquerda

A partir dessa série de dados o Machine Learning vai analisar esses dados e tentar fazer uma previsão de dados futuros nesse caso a quantidade de amostra é importante para o sucesso da nossa aplicação.

Nos tutoriais sobre ML5.js vamos falar muito sobre três items:

1. Redes neurais — os algoritmos responsáveis por processar tarefas de Machine Learning, o de temos uma entrada de dados e fazemos uma série de cálculos para ter uma saída esperada. Para identificar padrões específicos.
2. modelos pré-treinados — modelos pre-treinados é a parte que iremos abordar 90% dos casos por que são os items em mais evidência do momento, utilizado pelas grandes empresas para identificar usuários, moderação de texto, reconhecimento de voz entre outras funcionalidades.
3. data sets — são os grupos de dados que utilizamos para treinar os nossos modelos.

Baseado nessa rápida de alguns pontos-chave, agora vamos falar sobre ML5, a idéia é criar mais posts sobre o assunto assim quando alguns pontos dos Machine Learning forem abordados traremos mais descrições.

ML5.js

Ml5.js foi construída em cima do tensorFlow.js que possibilita o uso Machine Learning na web com o processamento de dados através da GPU, geralmente utilizado para o processamento gráfico, mas o tensorFlow.js utiliza desse recurso para não afetar o processamento da CPU.

Com ml5.js visa atingir uma audiência que trata machine learning em mais alto nível desenvolvedores web e artistas. A biblioteca possui algoritmos e modelos que realizam a classificação de três categorias de dados de imagem, sons e textos.

Para cada grupo temos uma série de funções com diferentes funcionalidades, por exemplo, a função imageClassifier() através de redes neurais conseguimos reconhecer o conteúdo da imagem retornando um objeto com informações sobre a imagem vindo de um modelo pre-treinado

Com a função imageClassifier podemos treinar o nosso próprio modelo. Outra função interessante é poseNet(), com ela conseguimos identificar poses humanas, ela pode identificar uma única pose ou múltiplos integrantes.

Geralmente temos 10 funções para classificação de imagens e 2 funções para classificação de som e 4 funções para identificação de texto.

Tensorflow.js

É uma biblioteca criada pelo Google para trabalhar Machine Learning no JavaScript, foi construído baseado no TensorFlow biblioteca escrita em Python. Com tensorFlow.js podemos utilizar modelos pré-treinados, para classificação de imagens, detecção de objetos, detecção de texto tóxico e reconhecimento de comandos por voz.

Ou treinar o nosso próprio modelo, ele é uma biblioteca base do ML5.js possui uma estrutura mais complexa que o ML5.js.

Exemplo prático

Agora que temos uma introdução desses três itens-chave faremos o nosso primeiro exercício com ML5.js, quando escrevi esse tutorial a lib estava na versão 0.3.1, agora escolheremos uma foto para testar com ml5.js, sinta-se a vontade para escolher a sua foto:

Agora temos a nossa imagem criará o nosso primeiro classificador de imagens:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <meta http-equiv="X-UA-Compatible" content="ie=edge">
    <title>ML5JS project</title>
    <script src="https://unpkg.com/ml5@0.3.1/dist/ml5.min.js"></script>
</head>
<body>
    <img src="./assets/dublin.jpg" id="foto" />
    <script>
        // Passo 1: Criar uma classificador de imagems com mobileNet
        const classifier = ml5.imageClassifier('MobileNet', onModelReady);

        function onModelReady() {
            // Passo 2: Selecionar uma image
            const img = document.querySelector("#foto")

            // Passo 3: Fazer a predicção
            let prediction = classifier.predict(img, gotResults);
        }

        // Passo 4: Fazer algo quando tivemos o resultado!
        function gotResults(err, results) {
            console.log(results);
            // e aqui acontece toda a mágica
        }
    </script>
</body>
</html>Code language: HTML, XML (xml)

No código acima temos exemplo fazemos a classificação da imagem que escolhemos acima, primeiramente fazemos o carregamento da lib em uma CDN, após adicionamos a imagem com uma tag img no nosso markup, temos uma tag script com o código que irá analisar a nossa imagem.

Na tag script o primeiro comando faz a chamada de uma função imageClassifier na biblioteca ML5 passando dois parâmetros:

• modelo – nesse caso utilizaremos o mobileNet esse modelo pre-treinado está na nuvem ele possui mais de 14 mil imagens no seu dataset
• função de callback – o segundo parâmetro a função de callback que chamaremos quando o nosso classificador de imagens estiver pronto.

Quando o nosso modelo estiver pronto chamaremos a função onModelReady dentro dela selecionamos a imagem que queremos analisar e com o nosso classificador de imagens(classifier) requisitamos a previsão da imagem.

Novamente passando dois parâmetros a imagens que analisaremos e a função de callback.

Quando executamos o nosso código num navegador o resultado será o seguinte:

Um resultado meio estranho se traduzirmos o resultado temos label como “mastro” ou “poste” com confidência de 0.76 ou seja 76%. Como podemos ver temos uma farbrica no fundo, com duas chaminés.

A escolha da imagem foi proposital para a gente entender como funciona a análise de imagens, como falamos anteriormente MobileNet é um modelo pré-treinado, mas ele tem uma base de 14 mil imagens o problema nessa caso será que o dentro dessas 14 mil imagens não treinamos o nosso modelo para identificar fábricas.

Se fizermos um segundo teste com essa imagem:

O resultado será o seguinte:

Agora temos o resultado classificado como “beer glass”(copo de cerveja) com uma confidência de 94%, então como podemos ver não existe uma mágica por trás do Machine Learning.

Com isso entendemos que precisão é baseada na quantidade de informação em que o meu dataset detém. Por isso empresas que detém uma grande base de informação conseguem aplicar a tecnologia a várias soluções.

Caso queira conferir mais tutoriais sobre JavaScript aqui confira o link: https://blog.fellyph.com.br/category/javascript/

Para esse post vamos ficando por aqui a ideia que em breve estarei a postar um vídeo no meu canal. Se ainda não segue o canal aqui está o link: https://www.youtube.com/c/FellyphCintra/videos