اگر ایده ای خلاقانه دارید و به دنبال ساخت اپلیکیشن برای اندروید هستید، این مقاله می تواند شما را یاری کند.
مطمئنا ترس از کدنویسی می تواند شما را در ساخت اپلیکیشن شخصی دو دل کرده و یا شما را وادار کند تا به دنبال بهترین نرم افزار ساخت اپلیکیشن باشید. خبر خوب این است که ورود به بازار اپلیکیشن های تلفن همراه آسان تر است ( بدون نیاز به تجربه کدنویسی). خواه برای کسب و کار، وبلاگ، محصول، خدمات یا موارد دیگر باشد، گزینه های ایجاد اپلیکیشن برا ی اندروید بسیار فراوان بوده و به سادگی یافت می شوند. با صرف اندکی زمان و تمایل به یادگیری، می توانید اپلیکیشن تلفن همراه خود را با استفاده از یکی از سیستم عامل های ساخت برنامه ذکر شده در زیر ایجاد و مدیریت کنید. (تعدادی از این برنامه ها در سیستم عامل هایی به جز اندروید هم کاربرد دارند).
آنچه در این نوشته خواهیم داشت
Appery یک سازنده برنامه تلفن همراه مبتنی بر ابر (Cloud) است که می توانید از آن برای ایجاد اپلیکیشن در اندروید استفاده کنید؛ و شاملApache Cordova (Phone Gap) ، Ionic و jQuery Mobile با دسترسی به اجزای داخلی آن است. از آنجایی که سازنده در ابر اجرا می شود ، هیچ نصب یا دانلودی لازم نیست و به راحتی می توان کار را شروع کرد.
Appery شامل یک ویرایشگر بصری است که از اجزای کشیدن و رها کردن (drag and drop) برای ساخت UI استفاده می کند. Appery به طور خودکار برای هر مؤلفه کد ایجاد می کند. می توانید به هر REST API (رابط برنامه‌نویسی کاربردی) متصل شده و در برنامه خود از آن استفاده کنید؛ و در صورت نیاز به ذخیره داده، سریعا یک پایگاه داده ابری اضافه کنید. همچنین با استفاده از Appery می توانید عملکردهای قدرتمندی را اضافه کرده و یا افزونه های شخصی و دلخواه خود را ایجاد کنید. اگر به صورت گروهی فعالیت می کنید، می توانید به طور همزمان پروژه خود را با افراد گروه به اشتراک بگذارید.
Mobile Roadie یک سازنده اپلیکیشن است که به هر کسی امکان می دهد تا اپلیکشن اندروید خود را ایجاد و مدیریت کند. نکته مثبت این است که فرایند ساختن به شکل بصری اتفاق می افتد. این پلتفرم انواع رسانه ها را پشتیبانی کرده و کیفیت و مناسب بودن محتواها را بررسی می کند. همچنین می توانید برنامه خود را از طریق Mobile Roadie’s back end پیش نمایش دهید. به علاوه این سازنده اپلیکیشن گزینه ارسال پوش نوتیفیکیشن (Push Notification) را به شما می دهد. و این می تواند از سایت خود شما یا از طریق خود پلتفرم محتوا باشد. این پلتفرم به طور کلی زبان agnostic است ، بنابراین می توانید داده ها را در قالب های مختلفی از جمله XML ، JSON ، PHP ، CSV و HTML قرار دهید. در شروع کار چندین گزینه طرح بندی به شما ارائه می شود؛ اما می توانید هر یک از آنها را به دلخواه خود تنظیم کنید. Mobile Roadie برای برندها و سرویس ها مناسب تر از کالاها است.
TheAppBuilder مجموعه ای از برنامه های مناسب برای کارمندان، مشتریان، رویدادها و بروشورها را با دو رویکرد متفاوت فراهم می کند. اگر می خواهید یک اپلیکیشن اندروید را به صورت اینترانت برای یک شرکت طراحی کنید، این یک پلتفرم مناسب خواهد بود.
با استفاده از AppLibrary اختصاصی می توانید پنجره ای را در چندین برنامه در اختیار کاربران خود قرار دهید و حتی آن را با برند شخصی خود اختصاصی کنید. شما می توانید برنامه عمومی و خصوصی را با نام کاربری و رمزعبور محافظت کنید و آنها را از طریق فروشگاه اپلیکیشن توزیع کنید. بروزرسانی ساختار و محتوای اپلیکیشن های شما آسان است، زیرا می توانید بروزرسانی های نامحدودی انجام داده و تنها با چند کلیلک آن را بر روی سیستم عامل های تلفن همراه منتشر کنید.
Good Barber یک بستر برای ساخت اپلیکیشن های اندروید به همراه برنامه های وب بهینه ارائه می دهد. برای هر یک از سیستم عامل ها، بدون کدنویسی می توانید تمام جزئیات اپلیکیشن را کنترل کنید. چندین قالب قابل تنظیم، با آی های زیبا و با دسترسی به فونت های گوگل برای شروع کار وجود دارند. این اپلیکیشن ها می توانند به صورت تئوری جایگزین وب سایت فعلی شما شوند؛ زیرا می توانند برای دسک تاپ ، موبایل و تبلت بهینه شوند. به علاوه می توانید اپلیکیشن خود را سازماندهی کرده و بخش هایی از فیلم، عکس، صدا و موارد دیگر را اضافه کنید.
AppMachine یک پلتفرم با کاربرد آسان برای ساخت و طراحی اپلیکیشن های بومی حرفه ای برای اندروید است. با استفاده از رابط کشیدن و رها کردن، می توانید بلوک های ساختمانی مختلفی را ترکیب کنید که ویژگی های مختلفی از جمله اطلاعات، عکس و فیلم را ارائه می دهند. بلوک ها همچنین به شما امکان می دهند تا برنامه خود را به فیس بوک، توییتر یا فروشگاه های آنلاین پیوند دهید. شما می توانید برنامه را به سبک منحصر به فرد خود طراحی کرده و مسیرهای ناوبری، رنگ ها، فونت ها و نمادهای خود را انتخاب کنید.
GameSalad به شما امکان می دهد بازی هایی را برای انواع مختلف سیستم عامل مانند اندروید ایجاد و منتشر کنید. رابط کشیدن و رها کردن آن به شما امکان می دهد تا بدون نیاز به دانش برنامه نویسی به سرعت شروع به کار کنید. به علاوه به شما این امکان را می دهد تا علوم کامپیوتر را از طریق فرآیند ساختن یاد بگیرید.
سازنده اپلیکیشن بازی دارای ویرایشگر صحنه و ویرایشگر بازیگر (کاراکتر) است. شما بیشتر وقت خود در ساخت بازی را صرف تنظیم کاراکترها در صحنه، تنظیم ویژگی ها، تصاویر، صداها و پیمایش بین بازیگران می کنید.
GameSalad دو پلن ارائه می دهد؛ یکی برای مربیان و دیگری برای توسعه دهندگان. اما هر دو به شما امکان می دهند بدون کدنویسی، یک بازی ایجاد کنید.
ShoutEm یک سازنده اپلیکیشن با مدیریت کامل محتوا، ابزارهای قدرتمند جذب کاربر و گزینه های کسب درآمد همراه با یک فرآیند انتشار یکپارچه است. سازنده رابط گزینه های سفارشی سازی زیادی را ارائه می دهد و هر برنامه را می توان با منابع محتوا موجود مانند WordPress، Facebook ، Twitter ، و موارد دیگر کاملا یکپارچه کرد. گزینه های کسب درآمد متعدد بدان معنی است که شما می توانید به سرعت یک جریان درآمد از اپلیکیشن خود ایجاد کنید.
می توانید برنامه های خود را تحت حساب توسعه دهنده خود در Google Play منتشر کرده و برنامه یا محتوای خود را به طور همزمان به روز کنید. ShoutEm همچنین برای اطمینان از هماهنگ بودن اپلیکیشن با نسخه نهایی اندروید، بروزرسانی خودکار را ارائه می دهد.
در این مقاله به نحوه تشخیص چراغ راهنمایی توسط دیپ لرنینگ می پردازیم،مدل ها را معرفی کرده و مشکلات را بررسی می کنیم.
آنچه در این نوشته خواهیم داشت
هدف از این چالش تشخیص چراغ راهنمایی در تصاویر گرفته شده توسط رانندگان با استفاده از اپلیکیشن Nexar بود. در هر تصویر داده شده، لازم بود “طبقه بندی گر” چراغ راهنمایی را تشخیص داده و قرمز یا سبز بودن آن را مشخص کند. به طور خاص، فقط می بایست چراغ راهنمایی را در جهت رانندگی شناسایی کرد.
این چالش بر اساس شبکه های عصبی پیچشی است، روشی بسیار رایج که در تشخیص تصویر با شبکه های عصبی عمیق مورد استفاده قرار می گیرد. مدل های کوچکتر نمرات بالاتری کسب کردند. علاوه بر این، حداقل دقت لازم برای پیروزی ٩۵ درصد بود.
Nexar تعداد ١٨۶۵٩ تصویر دارای برچسب را به عنوان داده های آموزشی ارائه می داد. هر تصویر با یکی از سه کلاس: بدون چراغ راهنمایی، چراغ قرمز و چراغ سبز برچسب گذاری شده است.
برای آموزش مدل ها از Caffe استفاده کردم. دلیل اصلی که Caffe انتخاب شد به دلیل تنوع زیاد مدل های از قبل آموزش دیده آن بود.
برای تجزیه و تحلیل نتایج، بررسی داده ها از Python ، NumPy و Jupyter notebook استفاده شد.
از نمونه های GPU آمازون برای آموزش مدل ها استفاده شد.
طبقه بندی نهایی در مجموعه آزمون Nexar با اندازه مدل ٨۴/٧ مگابایت به دقت ٩۵/٩۴ درصد دست یافت.
فرایند دستیابی به دقت بالاتر شامل تعداد زیادی آزمون و خطاست. در پشت برخی از آن ها منطقی وجود داشت و بعضی دیگر فقط بر اساس حدس و گمان جلو رفتند.
با تلاش برای تنظیم دقیق (fine-tuning) مدلی که در ImageNet با معماری GoogLeNet از قبل آموزش داده شده بود، شروع کردیم. خیلی به دقت بالای ٩٠ درصد دست یافتیم!
اخیرا بیشتر شبکه های منتشر شده بسیار عمیق بوده و پارامترهای زیادی دارند. به نظر می رسید که SqueezeNet بسیار مناسب بوده و همچنین دارای یک مدل از قبل آموزش دیده شده در ImageNet بود.
شبکه عصبی با استفاده از فیلترهای پیچشی یک در یک و بعضا سه در سه و همچنین با کاهش تعداد کانال های ورودی به فیلترهای سه در سه، می تواند خود را فشرده سازد.
بعد از مقداری سعی و خطا در تنظیم میزان یادگیری توانستیم مدل از قبل آموزش داده شده را با دقت ٩٢ درصد تنظیم کنیم.
بیشتر تصاویر مانند تصویر فوق افقی بودند، اما حدود ۴/٢ درصد عمودی بودند و بعضی از آن ها از بالا گرفته شده بودند.
اگرچه این بخش بزرگی از مجموعه داده ها نیست، اما می خواستیم مدل، آن ها را به درستی طبقه بندی کند.
متأسفانه ، هیچ داده ای در تصاویر jpeg که جهت گیری را مشخص می کند، وجود نداشت. به منظور تکمیل تصاویر از آموزش مدل در “میانگین پیش بینی ها” در چرخش های ٠⁰ ، ٩٠⁰ ، ١٨٠⁰ و ٢٧٠⁰ استفاده کردیم. منظور از میانگین پیش بینی ها، میانگین احتمالات تولید شده توسط مدل در هر یک از این چرخش هاست.
در طول آموزش، شبکه SqueezeNet برای اولین بار به طور پیش فرض برش تصادفی تصاویر ورودی را انجام داد و ما آن را تغییر ندادیم. این نوع تقویت داده باعث می شود که شبکه بهتر تعمیم پیدا کند. به طور مشابه، هنگام تولید پیش بینی، چندین برش روی تصویر ورودی ایجاد کرده و میانگین نتایج را به دست آوردیم. از ۵ برش استفاده کردیم. ۴ برش از گوشه و ١ برش از مرکز ( با استفاده از کد Caffe).
چرخش و برش تصاویر پیشرفت بسیار کمی را نشان داد. از ٩٢ درصد به ۴۶/٩٢ درصد.
همه مدل ها بعد از یک نقطه خاص شروع به بیش برازش (overfit) کردند. این امر از طریق مشاهده صعود “تنظیم اعتبار” در برخی نقاط قابل دستیابی است.
در این مرحله آموزش را متوقف می کنیم زیرا احتمالا مدل دیگر تعمیم نمی یابد. سعی کردیم آموزش را در نقطه ای که مدل شروع به بیش برازش با نرخ یادگیری ١٠ بار کمتر از سطح اصلی می کند، از سر بگیریم. این امر معمولا دقت را تا ۵/٠ درصد بهبود می بخشد.
در ابتدا داده های خود را به سه مجموعه تقسیم کردم: آموزش (۶۴٪) ، اعتبارسنجی (١۶٪) و آزمون (٢٠٪). بعد از گذشت چند روز به این نتیجه رسیدیم که صرف نظر کردن از ٣۶٪ از داده ها ممکن است خیلی زیاد باشد. در نتیجه مجموعه های آموزشی و اعتبار سنجی را با هم ادغام شده و از مجموعه آزمون برای بررسی نتایج استفاده شد.
هنگام تجزیه و تحلیل اشتباهات طبقه بندی گر در اعتبارسنجی ، متوجه اشتباهات فاحشی شدیم. به عنوان مثال، مدل با اطمینان می گفت چراغ سبز است در حالی که داده های آموزش می گفتند چراغ قرمز است. تصمیم گرفتیم این خطاها را در مجموعه آموزش برطرف کنیم. استدلال این بود که این اشتباهات باعث سردرگمی مدل می شوند و تعمیم آن را سخت تر می کنند. حتی اگر مجموعه آزمایش نهایی در پاسخ خود دارای خطای باشد، یک مدل عمومی تر شانس بیشتری برای دستیابی به دقت بالا در بین تصاویر دارد. در یکی از مدل های دارای اشتباه، ٧٠٩ تصویر را برچسب گذاری کردیم. این کار با Python script حدود یک ساعت زمان برد و تعداد خطاها را به ٣٣٧ عدد کاهش داد.
داده ها متعادل نبودند. ١٩ درصد از تصاویر بدون چراغ راهنمایی، ۵٣ درصد در چراغ قرمز و ٢٨ درصد در چراغ سبز بودند. ما سعی کردیم با بیش نمونه گیری ( oversampling) داده های کمتر متداول، مجموعه داده ها را متعادل کنیم؛ اما پیشرفتی حاصل نشد.
دریافتیم که تشخیص چراغ راهنمایی در روز و شب بسیار متفاوت است. فکر کردیم که شاید با جداسازی تصاویر روز و شب بتوانیم به مدل کمک کنیم. با در نظر گرفتن میانگین شدت پیکسل ها، جداسازی تصاویر روز و شب بسیار ساده بود. ما دو رویکرد را امتحان کردم که هیچ یک نتیجه بخش نبود:
آموزش دو مدل جداگانه برای تصاویر روز و تصاویر شب
آموزش شبکه برای پیش بینی ۶ کلاس به جای ٣ کلاس، با پیش بینی اینکه آیا روز است یا شب
٣٠ در صد از تصاویری که طبقه بندی گر برای آن ها از اطمینانی کمتر از ٩٧ درصد برخوردار بود انتخاب کردیم. سپس سعی کردیم طبقه بندی گر را فقط بر روی این تصاویر آموزش دهیم. اما بهبودی حاصل نشد.
احتمالاً وجود نقطه سبز در نخل که توسط تابش تشعشع بهوجود آمده باعث کی شود مدل به اشتباه چراغ سبز را پیش بینی کند.
این مدل به جای چراغ سبز، چراغ قرمز را پیش بینی کرد. (وقتی بیش از یک چراغ راهنمایی در صحنه وجود دارد).
این مدل هیچ چراغ راهنمایی را تشخیص نداد در حالی که یک چراغ راهنمایی سبز در تصویر دیده می شود.
درباره این سایت