Ich habe mit Googles Teachable-Machine-Webseite eine Künstliche Intelligenz trainiert, die Ninjas entdeckt. Das geht ziemlich einfach – und ihr könnt es auch.

Teachable Machine ist ein Google-Projekt, mit dem ihr ohne Programmierkenntnisse eigene KI-Modelle trainieren könnt. Aktuell unterstützt Googles Projekt die KI-Erkennung von Objekten, Audio und Körperposen. Eine einfache Anleitung führt euch durch den Prozess.

Über ein Webinterface klickt ihr Kategorien zusammen, fügt Trainingsdaten über Dateien oder Webcam hinzu und trainiert das KI-Modell anschließend lokal im Browser. Nach dem Training könnt ihr es ganz einfach testen, exportieren und mit anderen teilen oder in eigenen Projekten verwenden.

Teachable Machines bietet aktuell drei Detektoren, in Zukunft sollen weitere dazu kommen.

Teachable Machines bietet aktuell drei Detektoren für Bildinhalt, Ton und eine menschliche Pose. In Zukunft sollen weitere dazu kommen.

Ich habe mit Googles KI-Tool einen Ninja-Detektor trainiert: Eine Künstliche Intelligenz, die Ninjas, den Spiele-Streamer Richard Tyler Blevins alias “Ninja” und Nicht-Ninjas auseinanderhalten kann. Das könnt ihr auch.

Schritt 1: Kategorien festlegen

Ein Ninja-Detektor ist nur so gut wie seine Kategorieauswahl. Denn ohne die Nicht-Ninja-Kategorie würde der Detektor jedes Bild zwingend der Ninja oder Streamer-Kategorie zuordnen – er kennt keine anderen. Das würde den Ninja-Detektor nutzlos machen.

Schritt 2: Daten sammeln

Die Bildanalyse-KI im Hintergrund von Teachable Machine ist MobileNet, ein mit dem ImageNet-Datensatz vortrainiertes KI-Modell. Mit meinen Kategorien trainiere ich die KI also nur um und nicht grundlegend neu. Daher reichen schon 25 bis 50 Fotos für einen zuverlässigen Ninja-Detektor.

Meine Kategorien bestimmen, welche Daten ich sammeln muss. Für meinen Ninja-Detektor benötige ich Bilder von echten Ninjas, dem bekannten Spiele-Streamer Ninja und Fotos von Menschen, die keiner der beiden Kategorien angehören.

Drei Kategorien, drei Datensätze: NichtNinjas (LFW), Ninjas und der Streamer Ninja.

Drei Kategorien, drei Datensätze: Nicht-Ninjas (LFW), Ninjas und der Streamer Ninja.

Für die beiden Ninja-Kategorien nutze ich Googles Bildersuche und ein Chrome-Addon, mit dem ich mehrere Bilder auf einmal herunterladen kann. Für die Nicht-Ninjas verwende ich Teile des Gesichtsdatensatzes Labeled Faces in the Wild der Universität Massachusetts.

Alternativ könnt ihr Objekte der Kategorien vor eure Webcam halten und Google macht automatisch Fotos. Alle Daten werden lokal gespeichert.

Schritt 3: KI-Training

Wenn die Kategorien feststehen und alle Trainingsdaten hochgeladen sind, muss die KI trainieren. Das Training startet ihr mit einem Klick. Fortgeschrittene Einstellungen sind verfügbar, aber auch mit den Standardeinstellungen erzielt ihr gute Ergebnisse.

Das Training läuft lokal im Browser, der Tab muss während des Trainings daher offenbleiben. Da Teachable Machine das MobileNet per Transferlernen (Definition) trainiert, ist der Prozess schnell abgeschlossen.

Wer auf Advanced klickt, kann weitere Einstellungen vornehmen. Für einfache Projekte reichen die Standardeinstellungen aber völlig aus.

Wer auf Advanced klickt, kann weitere Einstellungen vornehmen. Für einfache Projekte reichen die Standardeinstellungen für das KI-Training aber völlig aus.

Schritt 4: Test

Nach dem Training kann das KI-Modell per Webcam oder lokal vorhandenem Bild getestet werden.

Elon Musk ist vieles - aber wohl kein Ninja. Soweit so gut.

Elon Musk ist vieles – aber kein Ninja. Soweit hat die KI schon recht.

Bei diesem Bild ist sich mein Ninja-Detektor zu 94 Prozent sicher, dass es sich um den Streamer Ninja handelt. Für mein Hobbyprojekt eine ausreichende Genauigkeit - für ernsthafte Projekte viel zu wenig.

Bei diesem Bild ist sich mein Ninja-Detektor zu 94 Prozent sicher, dass es sich um den Streamer Ninja handelt. Für mein Hobbyprojekt eine ausreichende Genauigkeit – für ernsthafte Anwendungen beispielsweise für die Überwachung hingegen wäre das viel zu wenig. Die Anzahl an falsch identifizierten Personen könnte gigantisch sein.

Einen echten Ninja erkennt mein Detektor hier sogar mit 99 Prozent Genauigkeit. Bei den schwer zu entdeckenden Ninjas kann das wohl als voller Erfolg gelten.

Einen echten Ninja erkennt mein Detektor hier sogar mit 99 Prozent Genauigkeit. Da Ninjas für ihre krassen Versteck-Fähigkeiten bekannt sind, ist das ein großer Erfolg.

Mein Ninja-Detektor schlägt sich überraschend gut und erkennt sogar den Fortnite-Skin des Spiele-Streamers Ninja mit maximaler Sicherheit als Person Ninja – obwohl der Skin nur eine digitale Interpretation der realen Person ist.

Mein Ninja-Detektor ordnet den Fortnite-Skin des Streamers Ninja völlig korrekt seinem natürlichen Vorbild zu.

Mein Ninja-Detektor ordnet den Fortnite-Skin des Streamers Ninja völlig korrekt seinem Fleischsack-Vorbild zu.

Schritt 5: Fertiges Modell exportieren

Mit Klick auf “Export Model” könnt ihr euer KI-Modell speichern. Wer es für weitere Projekte nutzen will, kann es für Tensorflow.js, Tensorflow oder Tensorflow Lite für Mobile- und Edge-Geräte exportieren.

Wer Programmieren kann, kommt hiermit klar. Wer nicht, klickt auf "Upload my model" und bekommt einen Link, mit dem er sein Projekt teilen und im Browser ausprobieren kann.

Wer Programmieren kann, kommt hiermit klar. Wer es nicht kann, klickt auf “Upload my model” und bekommt einen Link, mit dem er sein Projekt teilen und im Browser ausprobieren kann.

Alternativ könnt ihr das Modell lokal oder in der Cloud speichern. Mit der letztgenannten Variante erhaltet ihr einen Link, über den ihr euer Modell jederzeit online im Browser nutzen könnt. Meinen Ninja-Detektor könnt ihr im Browser via Teachable Machine testen.

Fazit: KI-Training geht einfach und schnell

Techable Machines zeigt, wie schnell heute jeder einfache KI-Anwendungen zusammenklicken kann. Ohne Programmierkenntnisse sorgt das zwar nur für kurzweiligen Spaß, doch mit Code-Kenntnissen könnt ihr so schnell einfache KI-getriebene Apps bauen.

So oder so: Teachable Machines bietet einen tollen Einstieg für alle, die mit KI-Detektoren experimentieren und die Fallstricke bei der Kategorisierung und beim KI-Training aus eigenen Experimenten lernen wollen.

Weiterlesen über Künstliche Intelligenz:

steady2

MIXED.de XR-Podcast - jetzt reinhören

Aktuell: Half-Life: Alyx ohne Spoiler | Alle Folgen



Hinweis: Links auf Online-Shops in Artikeln können sogenannte Affiliate-Links sein. Wenn ihr über diesen Link einkauft, erhält MIXED.de vom Anbieter eine Provision. Für euch verändert sich der Preis nicht.