Hiểu đúng mục tiêu của dự án
Teachable Machine cho phép tạo mô hình phân loại hình ảnh ngay trên trình duyệt. Trong dự án này, học sinh dùng ảnh để dạy mô hình nhận diện ba nhóm đồ vật: giấy, nhựa và kim loại.
Mô hình dự đoán dựa trên những đặc điểm nhìn thấy trong ảnh, không kiểm tra được thành phần vật liệu hay xác định chắc chắn một món đồ có được tái chế tại địa phương hay không. Vì vậy, hãy xem kết quả là gợi ý để học và thử nghiệm, không phải quyết định cuối cùng về cách bỏ rác.
Chuẩn bị vật mẫu và quy tắc an toàn
Chọn các vật sạch, khô và dễ cầm, chẳng hạn hộp giấy, chai nhựa rỗng và lon kim loại đã được xử lý cạnh sắc. Không dùng rác bẩn, vật sắc nhọn hoặc đồ đựng hóa chất. Đặt vật trên một mặt bàn đủ sáng và chuẩn bị điện thoại hoặc webcam để chụp ảnh.
Trước khi chụp, thống nhất nhãn cho từng vật. Ví dụ, một hộp giấy phủ nhiều lớp vật liệu có thể khó xếp vào nhóm “Giấy”; nên để vật gây tranh cãi ra ngoài bộ dữ liệu ban đầu. Nếu ảnh có người, tên hoặc thông tin cá nhân, hãy loại bỏ trước khi sử dụng hay chia sẻ.
Tạo các lớp ảnh trong Teachable Machine
Mở Teachable Machine, chọn dự án hình ảnh rồi tạo ba lớp với tên rõ ràng: “Giấy”, “Nhựa” và “Kim loại”. Với mỗi lớp, dùng webcam hoặc tải ảnh lên để thêm ví dụ đúng với nhãn.
Chụp nhiều đồ vật khác nhau cho mỗi lớp, thay đổi góc nhìn, khoảng cách, ánh sáng và nền. Cố gắng giữ số ví dụ giữa các lớp tương đối cân bằng. Đừng chỉ chụp hàng loạt khung hình gần như giống hệt nhau của một chai nhựa: mô hình có thể học thuộc chiếc chai hoặc phông nền thay vì nhận ra đặc điểm hữu ích của nhóm nhựa.
Huấn luyện và quan sát dự đoán
Sau khi thêm ảnh, chọn nút huấn luyện mô hình và chờ quá trình hoàn tất. Trong phần xem trước, lần lượt đưa vật mẫu trước camera để quan sát nhãn được dự đoán và mức độ tự tin hiển thị cho từng lớp.
Mức độ tự tin cao không có nghĩa là câu trả lời chắc chắn đúng. Nếu mô hình gọi một lon là “Nhựa”, hãy kiểm tra xem ảnh lớp kim loại có quá ít ví dụ, lon có bị che khuất hoặc nền chụp của hai lớp có khác nhau quá rõ hay không. Bổ sung ảnh phù hợp rồi huấn luyện lại.
Kiểm tra bằng những vật chưa dùng để huấn luyện
Giữ riêng một số vật mẫu ngay từ đầu và chỉ dùng chúng sau khi huấn luyện. Thử chụp từng vật ở vài vị trí, ghi lại nhãn đúng, nhãn mô hình dự đoán và điều kiện chụp. Đếm số lần đúng trên tổng số lần thử để so sánh các phiên bản mô hình trong cùng một bài kiểm tra.
Thử thêm các trường hợp khó như nhựa trong suốt, giấy bị gấp hoặc vật có nhãn giấy dán bên ngoài. Nếu mô hình liên tục nhầm một trường hợp, hãy thêm nhiều ví dụ đa dạng của trường hợp đó vào dữ liệu huấn luyện, nhưng vẫn giữ một nhóm vật chưa từng dùng để kiểm tra lại.
Mở rộng thành mô hình thùng rác thông minh
Có thể đặt webcam phía trên một vị trí cố định, cho học sinh đưa từng vật vào khung hình và hiển thị nhóm được dự đoán. Đây là cách đơn giản để kết nối bài học trí tuệ nhân tạo với việc thiết kế một hệ thống tương tác.
Nếu muốn điều khiển đèn báo hoặc cơ cấu phân loại, nhóm sẽ cần thêm chương trình nhận kết quả từ mô hình và gửi lệnh tới phần cứng. Teachable Machine không tự biến mô hình hình ảnh thành chương trình chạy trực tiếp trên mọi vi điều khiển. Hãy bắt đầu bằng đèn báo, rồi mới cân nhắc cơ cấu chuyển động; khi dự đoán không rõ ràng, hệ thống nên yêu cầu người dùng kiểm tra thay vì tự đẩy vật đi.
Thảo luận giới hạn và cải tiến
Cùng học sinh xem những lần dự đoán sai và đặt câu hỏi: Mô hình đang chú ý đến vật hay phông nền? Một vật kết hợp giấy và nhựa nên được xử lý thế nào? Quy định tiếp nhận vật liệu tái chế ở địa phương có giống các nhãn trong dự án không?
Để cải tiến, hãy thu thập ảnh đa dạng hơn, thử ánh sáng khác và kiểm tra lại bằng vật mới. Với vật không thuộc ba nhóm hoặc khó nhận diện, nên có lựa chọn “không rõ, cần người xem xét”. Bài học quan trọng không chỉ là huấn luyện mô hình, mà còn là biết khi nào không nên tin hoàn toàn vào dự đoán của nó.
