Google
Teachable
Machine
Kodsuz Makine Öğrenimi ile Herkes İçin Yapay Zeka
3 Veri Tipi
Görüntü, ses ve poz tanıma modelleri oluşturun
Eğitim Odaklı
Öğrenciler ve eğitimciler için ideal araç
Yönetici Özeti
Google Teachable Machine, kullanıcıların herhangi bir kod yazmadan görüntü, ses ve poz gibi çeşitli veri türleriyle kendi makine öğrenimi modellerini oluşturmalarına, eğitmelerine ve web siteleri, uygulamalar gibi projelerde kullanmak üzere dışa aktarmalarına olanak tanıyan web tabanlı bir araçtır.
Temel amacı, makine öğrenimini daha geniş bir kitleye, özellikle de teknik uzmanlığı olmayan kullanıcılara ulaşılabilir kılmak ve yapay zeka kavramlarının anlaşılmasını kolaylaştırmaktır. [1]
Kodsuz Arayüz
Herhangi bir programlama bilgisi gerekmez
Gizlilik Odaklı
Eğitim tamamen tarayıcıda gerçekleşir
Çoklu Format
Çeşitli platformlar için dışa aktarım
Tanımı ve Amacı
Google Teachable Machine, kullanıcıların herhangi bir kod yazma bilgisi olmadan veya makine öğrenimi uzmanlığına sahip olmadan kendi özel makine öğrenimi modellerini oluşturmalarını, eğitmelerini ve dağıtmalarını sağlayan web tabanlı bir araçtır [1], [2].
Bu platform, bireylerin görüntüleri, sesleri ve pozları tanıyan modeller eğitmesine ve ardından bu modelleri web sitelerine, uygulamalara ve diğer projelere entegre etmek üzere dışa aktarmasına imkan verir [3]. Teachable Machine'ın temel amacı, makine öğrenimi teknolojisini demokratikleştirmek ve daha geniş bir kitleye, özellikle de eğitimcilere, sanatçılara, öğrencilere ve yenilikçilere ulaştırmaktır [5], [4].
Tarihçe ve Geliştirici
Geliştirme Süreci
- İlk versiyon 2017 yılında yayınlandı
- Google Creative Lab tarafından geliştirildi
- Arka planda TensorFlow.js kütüphanesini kullanır
Temel Teknoloji
Araç, transfer öğrenimi gibi gelişmiş makine öğrenimi tekniklerini arka planda kullanarak, az miktarda veriyle bile etkili modellerin eğitilmesini sağlar [13].
Teachable Machine, makine öğrenimi modeli oluşturma sürecini hızlı, kolay ve anlaşılır hale getirerek, kullanıcıların yaratıcı fikirlerini somut projelere dönüştürmelerine yardımcı olur [9].
Google Teachable Machine Nasıl Kullanılır?
Kullanım Adımları (Genel Bakış)
Google Teachable Machine'ı kullanmak, genellikle dört ana adımdan oluşan basit ve sezgisel bir süreçtir: proje oluşturma ve veri toplama, model eğitimi, modeli test etme ve modeli dışa aktarma [27].
Proje Oluşturma ve Veri Toplama
İlk adımda, kullanıcı yeni bir proje başlatır ve sınıflandırmak istediği sınıfları (kategorileri) tanımlar. Örneğin, "kedi" ve "köpek" gibi iki sınıf içeren bir görüntü sınıflandırma projesi oluşturulabilir [28], [29].
Veri Toplama Yöntemleri:
- Bilgisayardan dosya yükleme
- Web kamerası ile canlı veri toplama
- Mikrofon ile ses kaydetme
Önemli: Veri toplama aşaması, modelin doğruluğu için kritik öneme sahiptir; ne kadar çok ve çeşitli örnek toplanırsa, model o kadar iyi performans gösterir [31].
Model Eğitimi
Kullanıcı "Modeli Eğit" düğmesine tıkladığında, Teachable Machine tarayıcıda yerel olarak modeli eğitmeye başlar [32]. Bu süreç, transfer öğrenimi tekniğini kullanır; yani, önceden büyük bir veri kümesi üzerinde eğitilmiş bir model (örneğin, MobileNet) alınır ve kullanıcının topladığı yeni verilerle son katmanları yeniden eğitilir [33].
Transfer Öğrenimi Avantajları:
- • Daha az eğitim verisi gerektirir
- • Daha hızlı eğitim süresi
- • Genellikle daha iyi performans
- • Kullanıcının cihazında gizlilik sağlar
Modelin Test Edilmesi
Model eğitimi tamamlandıktan sonra, Teachable Machine, modeli doğrudan kendi arayüzünde test etmek için kullanışlı araçlar sağlar [50]. Kullanıcılar, web kameralarını veya mikrofonlarını kullanarak canlı giriş sağlayabilir veya bilgisayarlarındaki dosyaları yükleyerek modelin sınıflandırma doğruluğunu değerlendirebilirler [51].
Modelin Dışa Aktarılması
Modelin performansından memnun kalındığında, son adım modeli dışa aktarmaktır. Teachable Machine, eğitilmiş modelleri dışa aktarmak için birden fazla seçenek sunar [55].
Dışa Aktarma Formatları:
- • TensorFlow.js (Web uygulamaları)
- • TensorFlow Lite (Mobil cihazlar)
- • SavedModel
- • Keras .h5
- • Coral/Arduino için
Dağıtım Seçenekleri:
- • Doğrudan indirme
- • Google Cloud'a yükleme
- • Paylaşılabilir bağlantı oluşturma
- • Kendi sunucunuza barındırma
Temel Özellikleri ve Kapsamı
Özellikler Tablosu
| Özellik | Açıklama | Faydalar |
|---|---|---|
| Kodsuz Arayüz | Herhangi bir kodlama bilgisi gerektirmeden modeller oluşturma, eğitme ve dağıtma imkanı | Makine öğrenimini geniş kitlelere erişilebilir kılar, hızlı prototipleme sağlar |
| Çoklu Veri Türü Desteği | Görüntü, ses ve poz (vücut duruşu) sınıflandırma modelleri oluşturmayı destekler | Çeşitli proje türleri ve uygulama alanları için esneklik sunar |
| Tarayıcı Tabanlı Eğitim | Tüm eğitim süreci kullanıcının web tarayıcısı içinde, kendi cihazında gerçekleşir | Veri gizliliğini korur, hızlı işlem sağlar, platform bağımsızdır |
| Transfer Öğrenimi | Önceden eğitilmiş modeller (örn. MobileNet) üzerine kullanıcının verileriyle yeniden eğitim yapar | Az veriyle kısa sürede yüksek doğrulukta modeller elde edilmesini sağlar |
| TensorFlow.js Entegrasyonu | Eğitilen modeller TensorFlow.js formatında dışa aktarılabilir ve JavaScript tabanlı projelerde kullanılabilir | Modellerin web uygulamalarına ve diğer JavaScript ortamlarına kolay entegrasyonu sağlanır |
| Model Dışa Aktarma | Modeller TensorFlow.js, TensorFlow Lite, Coral, SavedModel gibi çeşitli formatlarda dışa aktarılabilir | Eğitilen modellerin farklı platformlarda ve gerçek dünya uygulamalarında kullanılabilmesini sağlar |
Tablo 1: Google Teachable Machines Temel Özellikleri
Kodsuz Arayüz ve Erişilebilirlik
Google Teachable Machine'ın en önemli özelliklerinden biri, kullanıcıların herhangi bir kod yazma bilgisi olmadan makine öğrenimi modelleri oluşturmasına, eğitmesine ve dağıtmasına olanak tanıyan kodsuz (no-code) arayüzüdür [67].
Bu, makine öğrenimini yalnızca veri bilimcileri ve yazılım mühendisleri için değil, öğretmenler, öğrenciler, sanatçılar, tasarımcılar ve diğer alanlardan meraklılar için de erişilebilir hale getirir [68].
Çoklu Veri Türü Desteği
Google Teachable Machines, kullanıcılara farklı türde verilerle makine öğrenimi modelleri eğitme imkanı sunarak çok yönlülük sağlar. Araç, başlıca üç farklı veri türünü desteklemektedir: görüntü (image), ses (sound) ve poz (pose) [71].
Tarayıcı Tabanlı Eğitim ve Gizlilik
Teachable Machine, tamamen web tarayıcısı içinde çalışan bir araçtır, bu da kullanıcıların herhangi bir özel yazılım yüklemesine gerek olmadığı anlamına gelir [75].
Eğitim süreci de doğrudan tarayıcıda gerçekleşir. Bu, kullanıcıların verilerinin ve eğitilen modellerinin kendi cihazlarında kalmasını sağlar, bu da gizlilik açısından önemli bir avantajdır [78].
Transfer Öğrenimi ve TensorFlow.js
Teachable Machine, modellerini eğitmek için transfer öğrenimi (transfer learning) adı verilen bir teknik kullanır [80]. Transfer öğrenimi, önceden büyük veri kümeleri üzerinde eğitilmiş olan modellerin bilgisini alır ve bu modelleri kullanıcının sağladığı daha küçük ve özel veri kümesiyle ince ayar yaparak yeni bir görev için uyarlar.
Teachable Machine ile oluşturulan modeller, TensorFlow.js kütüphanesini kullanarak tarayıcıda çalışan gerçek makine öğrenimi modelleridir [83].
Eğitimdeki Uygulamaları
Google Teachable Machine, yapay zeka (AI) ve makine öğrenimi (ML) kavramlarının öğretilmesi için son derece etkili bir araçtır. Geleneksel olarak, bu kavramlar soyut ve karmaşık matematiksel teorilere dayanır, bu da öğrenciler için anlaşılmasını zorlaştırır. Ancak Teachable Machine, bu karmaşıklığı ortadan kaldırarak, öğrencilerin ML süreçlerini (veri toplama, model eğitimi, test etme ve değerlendirme) somut ve uygulamalı bir şekilde deneyimlemelerine olanak tanır [91].
Kavram Öğretimi
Öğrenciler, kendi topladıkları verilerle modeller eğiterek, bir makinenin nasıl "öğrendiğini" ve tahminlerde bulunduğunu doğrudan gözlemleyebilirler. Bu, algoritmaların nasıl çalıştığı, verinin önemi, sınıflandırma, önyargı (bias) gibi temel ML kavramlarının anlaşılmasını kolaylaştırır.
Uygulamalı Deneyim
Teachable Machine'ın en büyük avantajlarından biri, öğrencilere AI ve ML ile çalışmak için erişilebilir ve uygulamalı bir deneyim sunmasıdır. Kodsuz arayüzü ve tarayıcı tabanlı olması, öğrencilerin herhangi bir ön bilgi veya karmaşık yazılım kurulumu olmadan hemen çalışmaya başlamalarını sağlar [93].
Çeşitli Seviyelerde Kullanım
Google Teachable Machine, çeşitli eğitim seviyelerinde (ilkokuldan üniversiteye kadar) ve farklı disiplinlerde kullanıma uygundur. Üniversite düzeyinde ise, Teachable Machine, ML kavramlarına giriş derslerinde veya diğer disiplinlerde (sanat, sosyal bilimler, sağlık bilimleri) ML'nin uygulamalarını göstermek için kullanılabilir.
Eğitim Senaryoları
İlkokul ve Ortaokul
- Basit hayvan tanıma modelleri
- Yüz ifadesi sınıflandırma
- Sesli komut tanıma sistemleri
Lise ve Üniversite
- Biyoloji derslerinde hücre sınıflandırma
- Sosyoloji derslerinde medya analizi
- Müzik türü sınıflandırması
Teknik Detaylar
Google Teachable Machine, kullanıcıların kendi özel makine öğrenimi modellerini kolayca oluşturmalarına ve eğitmelerine olanak tanıyan web tabanlı bir araçtır. Temelinde, Teachable Machine, transfer öğrenimi (transfer learning) adı verilen bir teknikten yararlanır. Transfer öğrenimi, önceden büyük veri kümeleri üzerinde eğitilmiş olan mevcut bir modelin (temel model) bilgisini, yeni ve daha küçük bir veri kümesi için uyarlamak üzere kullanır [94].
Altta Yatan Teknoloji
Görüntü Projeleri
Görüntü projeleri için, Teachable Machine genellikle MobileNet mimarisinin bir versiyonunu temel model olarak kullanır. MobileNet, mobil ve gömülü görüntüleme uygulamaları için tasarlanmış, hafif ve verimli bir evrişimli sinir ağı (CNN) mimarisidir [95].
Ses Projeleri
Ses projelerinde ise, Teachable Machine ses örneklerini işlemek için spektrogramlar kullanır. Spektrogram, bir ses sinyalinin zaman içindeki frekans spektrumunun görsel bir temsilidir. Kullanıcı tarafından sağlanan ses örnekleri (genellikle 1 saniyelik dilimler halinde) önce spektrogramlara dönüştürülür [96].
Poz Tahmini
Poz tahmini projeleri için Teachable Machine, genellikle PoseNet gibi modelleri veya benzeri poz tahmini algoritmalarını kullanır. Bu modeller, bir görüntüdeki vücudun anahtar noktalarını tespit eder ve Teachable Machine bu çıktıları özel poz sınıflandırıcıları eğitmek için kullanır.
TensorFlow.js ile Entegrasyon
Google Teachable Machine, makine öğrenimi modellerinin eğitimi ve çıkarımı için TensorFlow.js kütüphanesini kullanır [97]. TensorFlow.js, JavaScript ortamında makine öğrenimi modelleri geliştirmeye ve çalıştırmaya olanak tanıyan açık kaynaklı bir kütüphanedir.
Entegrasyon Avantajları:
- • Tarayıcı tabanlı çalışma
- • Özel yazılım yükleme gerektirmez
- • Veri gizliliği sağlar
- • GPU hızlandırması desteği
- • Çapraz platform uyumluluğu
Eğitilen modeller daha sonra yine TensorFlow.js formatında dışa aktarılabilir, bu da kullanıcıların bu modelleri kendi web uygulamalarına veya TensorFlow.js'in desteklendiği diğer JavaScript ortamlarına kolayca entegre etmelerine olanak tanır [101].
Model Çıktıları ve Kullanım Senaryoları
Google Teachable Machine ile eğitilen modeller, çeşitli formatlarda dışa aktarılabilir, bu da onları farklı platformlarda ve uygulamalarda kullanılabilir hale getirir. En yaygın dışa aktarma seçeneği TensorFlow.js formatıdır [103].
Dışa Aktarma Formatları
Web uygulamaları için optimize edilmiş
Mobil ve IoT cihazları için
Gelişmiş ML projeleri için
Gömülü sistemler için
Kullanım Senaryoları
Eğitim Projeleri
Öğrenciler basit oyunlar, etkileşimli ders materyalleri veya sanatsal projeler oluşturmak için kullanabilirler [107].
Sanat ve Tasarım
Sanatçılar, izleyici etkileşimine dayalı enstalasyonlar veya performanslar için Teachable Machine modellerini kullanabilirler [108].
Erişilebilirlik Araçları
Geliştiriciler, erişilebilirlik araçları oluşturmak için modelleri kullanabilir; örneğin, işaret dilini tanıyan bir model veya belirli ses komutlarına yanıt veren bir uygulama [109].
Sağlık ve Ev Otomasyonu
Sağlık alanında, basit tıbbi görüntü analizi veya hasta izleme sistemleri için prototipler oluşturulabilir. Ev otomasyonu projelerinde, belirli nesneleri tanıyan veya sesli komutlara yanıt veren akıllı cihazlar geliştirilebilir [110].
Geleceğe Yönelik Gelişmeler
Google Teachable Machine, ilk olarak 2017 yılında piyasaya sürüldü ve 2019 yılında önemli bir güncelleme olan Teachable Machine 2.0 ile görüntü, ses ve poz sınıflandırma yetenekleri eklendi [111]. Ancak, 2025 yılına ait resmi bir büyük güncelleme veya yeni özellik duyurusu bulunmamaktadır.
Google Cloud Entegrasyonu
Geleceğe yönelik gelişmeler arasında, Teachable Machine'ın Google Cloud ile daha derin entegrasyonu beklenmektedir [114]. Google Cloud entegrasyonu, kullanıcılara daha gelişmiş özellikler, ölçeklenebilirlik ve muhtemelen bulut tabanlı eğitim seçenekleri sunabilir.
Beklenen Özellikler:
- • Bulut tabanlı eğitim seçenekleri
- • Daha büyük veri kümeleri ile çalışabilme
- • Gelişmiş model barındırma
- • Takım çalışması özellikleri
Coral ile Entegrasyon
Coral, Google'ın kenar cihazlarında (edge devices) hızlandırılmış AI çıkarımı için platformudur. Teachable Machine'ın Coral ile entegrasyonu, kullanıcıların eğittikleri modelleri doğrudan Coral'un AI hızlandırıcı donanımına dağıtmalarına ve böylece uç cihazlarda gerçek zamanlı çıkarım yapmalarına olanak tanıyacaktır [115].
Kenar Hesaplama Avantajları:
- • Gerçek zamanlı çıkarım
- • İnternet bağlantısı gerektirmeden çalışma
- • Düşük güç tüketimi
- • Gelişmiş gizlilik
Teknolojik Gelişmeler ve Eğitim Odaklı Yaklaşım
Model Geliştirmeleri
AI teknolojisindeki genel ilerlemelerle birlikte, Teachable Machine'ın altyapısında kullanılan temel modellerin (örneğin, daha yeni MobileNet sürümleri veya daha gelişmiş ses ve poz modelleri) güncellenmesi ve daha karmaşık görevleri öğrenme yeteneklerinin artırılması beklenebilir.
- Daha yüksek doğruluk oranları
- Daha hızlı eğitim süreleri
- Daha geniş uygulama alanları
Eğitim Stratejisi
Google'ın genel AI stratejisi içinde, eğitim alanına yönelik AI araçlarına önem verdiği görülmektedir ve Teachable Machine da bu eğitim odaklı AI ekosisteminin bir parçası olarak görülebilir [116].
Eğitim Öncelikleri:
- • AI okuryazarlığını artırma
- • Teknik olmayan kitlelere ulaşma
- • Pratik beceri geliştirme
- • Yaratıcı projeleri destekleme
Güncel Durum ve Erişilebilirlik
2025 yılı itibarıyla, Teachable Machine'ın mevcut özellikleri ve kullanımı hakkında bilgi veren çeşitli kaynaklar mevcuttur ve aracın hala aktif olarak kullanıldığını ve eğitim materyali olarak değerlendirildiğini göstermektedir [113]. Kullanıcılar, aracın mevcut yeteneklerinden yararlanmaya devam edebilirler.