Ditulis oleh Daniel Smilkov, Sandeep Gupta, dan Vishy Tirumalashetty
TensorFlow.js adalah library open-source yang memungkinkan Anda mendefinisikan, melatih, dan menjalankan model machine learning dalam Javascript. Library ini telah memberdayakan kumpulan baru developer dari banyaknya komunitas JavaScript untuk membangun dan menerapkan model machine learning dan mengaktifkan class-class baru komputasi pada perangkat. TensorFlow.js berjalan di semua browser utama, sisi-server di Node.js, dan terbaru, WeChat dan React Native menyediakan akses aplikasi-hybrid ke ML tanpa harus meninggalkan ekosistem JS. Kami senang bisa menghadirkan cara baru bagi developer JavaScript untuk melatih model khusus secara mudah pada data Anda sendiri dan menerapkannya dalam aplikasi JavaScript menggunakan layanan GCP AutoML.
Salah satu tujuan utama di balik TensorFlow.js adalah memberdayakan developer JS untuk memanfaatkan ML tanpa harus membuat model mereka sendiri. Terdapat dua cara untuk menghadirkan kekuatan ML ke aplikasi JavaScript: menggunakan salah satu model pra-paket kami, atau menyempurnakan model pada data Anda sendiri.
Sebagai contoh, model pra-paket Pose estimation dan Body segmentation kami memungkinkan Anda membangun bentuk interaksi pengguna yang baru dan bisa membentuk dasar untuk fitur aksesibilitas baru. Semua model ini dipublikasikan pada NPM dan Anda bisa menggunakannya dengan beberapa baris kode (tidak diperlukan pengetahuan ML!):
Jika Anda memiliki data sendiri, Anda bisa memulai dengan model yang sudah dilatih sebelumnya dan menyempurnakannya. Model pra-terlatih dan pelatihan itu sendiri bisa dijalakan langsung dalam Python atau JavaScript. Jika pelatihan dilakukan dalam Python, Anda bisa dengan mudah mengubah model SavedModel atau Keras ke TensorFlow.js menggunakan konverter kami. Jika model tersebut sudah ada di TensorFlow.js, Anda tidak perlu melakukan konversi apa pun. Codelab ini menunjukkan kepada Anda cara menggunakan MobileNet, model klasifikasi gambar yang dioptimalkan untuk perangkat edge, dan menyempurnakannya pada set data gambar Anda, semuanya dalam JavaScript.
TensorFlow.js + AutoML
Kami sangat senang mengumumkan integrasi dengan Cloud AutoML Vision , layanan Cloud yang memungkinkan developer untuk melatih model khusus pada data berlabel mereka. Jika kasus-penggunaan Anda terkait dengan klasifikasi gambar atau deteksi objek, Anda bisa menggunakan UI untuk mengupload data, melatih model edge, dan langsung mengekspornya ke model TensorFlow.js, tanpa coding apa pun. Perhatikan bahwa model khusus bisa dilatih langsung menggunakan library TensorFlow.js open-source (atau Python TensorFlow), tetapi AutoML menyediakan layanan mudah pakai yang mengotomatiskan proses ini bagi Anda.
Untuk memudahkan penerapan dan menjalankan model secara efisien di TensorFlow.js, kami memublikasikan library @tensorflow/tfjs-automl di NPM. Setelah mengekspor modelnya, Anda bisa mengikuti panduan langkah demi langkah untuk klasifikasi gambar dan deteksi objek . Panduan ini menggunakan library NPM dan menunjukkan kepada Anda cara memuat model pra-terlatih di browser dan membuat prediksi pada sebuah gambar.
Jika Anda sudah memiliki model khusus, AutoML masih bisa sangat berguna. Model AutoML Vision Edge dioptimalkan untuk jejak memori kecil dan menawarkan latensi rendah sembari memberikan akurasi yang tinggi. Kami bekerja sama dengan beberapa pelanggan dan mitra serta mendapatkan beberapa masukan dan hasil awal yang luar biasa. CVP , sebuah perusahaan konsultan bisnis dan teknologi, telah mengevaluasi beberapa skenario visi untuk membantu keselamatan kerja pada model berbasis-edge yang digunakan di lokasi terpencil. Inilah yang dikatakan Cal Zemelman, Director of Data science di CVP tentang hasilnya:
“Kami sedang mengerjakan aplikasi smartphone untuk agen Federal yang melakukan klasifikasi gambar untuk membantu mencegah kecelakaan dan meningkatkan keselamatan publik. Aplikasi ini sebagian besar ditulis dalam JavaScript sebagai Progressive Web App untuk memungkinkan penggunaan lintas-platform, jadi kami melatih model Keras dan kemudian mengubahnya menjadi TensorFlow.js. Dengan fitur “Export to TensorFlow.js” yang baru, kami bisa menguji menggunakan AutoML untuk merampingkan alur kerja pembuatan model secara signifikan. Sebelumnya, model terbaik kami adalah ResNet50 yang dilatih ulang yang mencapai akurasi sekitar 91%. Rata-rata, kinerja model AutoML Image Classification mencapai akurasi ~99% dalam 5 jam node. Ia juga hanya berukuran 1/5 dari model sebelumnya dan kami melihat peningkatan 60% dalam kecepatan inferensi.”
Kami sangat senang dengan hasil awal yang dirasakan oleh pelanggan dan mitra, dan berharap untuk mendengar lebih banyak dengan rilis ini.
Anda bisa melatih model AutoML Vision Edge hari ini. Setelah melatih model, Anda bisa mengekspor model TensorFlow.js ke aplikasi sisi-klien Anda. Dengan AutoML Vision Edge, Anda hanya membayar pelatihan untuk setiap penggunaan di atas 15 jam node. Tidak ada biaya untuk mengekspor atau prediksi sisi klien.
Langkah berikutnya
Untuk mempelajari lebih lanjut tentang AutoML, klik di sini .
Untuk deteksi objek, ikuti panduan langkah demi langkah tentang pelatihan dan penerapan ke TensorFlow.js
Untuk klasifikasi gambar, ikuti panduan langkah demi langkah tentang pelatihan dan penerapan ke TensorFlow.js
Pelajari lebih lanjut tentang library AutoML NPM melalui dokumentasi resmi .
PaketQQ merupakan situs judi dominoqq online dan bandarq dengan pelayanan 24 jam online non stop dan proses deposit withdraw terpercaya di indonesia.
ReplyDeleteNow in 2020 we have a more impact articel about World conspiration, world financial, and some articel about world health at here :
ReplyDeleteVia4D
Via4D Slot
via4d slot Online
Via4d togel
via4d slot
via4d Togel Online
Thanks For Readsin Some of my articel here.
Situs Terbaik untuk melihat berita dan informasi Poker Online Indonesia Poker Online Terpercaya adalah Hakim Poker, data terlengkap dan terakurat , langsung kunjungi situs nya.
ReplyDeletetips bermain poker
Tips Bandarqq
https://hakimpoker.com/
Togel Online
ReplyDeletePrediksi sgp
toto hk
Syair sgp
toto sgp
Syair hk
Bandar Togel Terpercaya
Tabel Shio 2020
Master Prediksi Togel Hari Ini
Togel WAP
Togel WAP Hari ini
Susunan Shio 2020
Togel Sidney
Togel Hongkong
FaktaBolasepak - Situs Penyedia informasi mengenai seputar Sepak bola, jadwal bola, Prediksi Skor bola aktual dan tertarget di Indonesia. Tentunya juga merekomendasikan Arena Bettingan bola Terpercaya yaitu Via4D di indonesia.
ReplyDeleteBerita Bola Fakta Sepak bola
Fakta Bola Sepak
Berita Bola
Jadwal Bola Versi Fakta Bola Sepak
Prediksi Bola Versi Fakta Bola Sepak
Agen Judi Bola Versi Fakta Bola Sepak
Link Daftar Judi Bola Via4D Versi Fakta Bola Sepak
Link Daftar VIA4D
ReplyDeleteVIA4D kini menjadi Situs Judi Online Terpercaya 2021. Bahkan VIA4D juga menyediakan banyak provider game judi online yang mudah untuk diakses dan dimainkan oleh para pencinta judi online. Maka pendaftaran di VIA4D mudah untuk didaftarkan.
We are chipping away at a cell phone application for Government organizations.Buy Essay Cheap that performs picture arrangement to assist with forestalling mishaps and work on open security. This application is for the most part written in JavaScript as a Reformist Web Application to permit cross-stage use.
ReplyDeleteThis application is generally written in JavaScript as a Reformist Do My School Work For Me Web Application to allow cross-stage use.
ReplyDeleteSelamat datang di maxwin138 SITUS ONLINE TERBAIK DENGAN RATE KEMENANGAN 89% , TER AMAN DAN TER PERCAYA
ReplyDeleteSitus judi dan slot online terbaik dan terpercaya
ReplyDeletehttps://163.47.11.90/
Gebyar123 adalah situs betting online terbaik dan terpercaya yang terbukti mudah menang.
ReplyDeleteyour site was truly awesome and great, i hope you keep share many idea like this
ReplyDeletemerdeka 138 slot
merdeka138
merdeka 138 slot login
Mentari 138 situs permainan paling gampang menang dan bonus paling besar saat ini
ReplyDeletecant wait to see many good post like this mutiara138
ReplyDeleteThank you for sharing mate I would like to know more about your amazing content of yours. Mutiara138 daftar
ReplyDelete