Classificació d'objectes (II)

Què és kNNClassifier?

kNN (k-Nearest Neighbors, k veïns més propers) és un algorisme de classificació senzill però potent. En lloc d'utilitzar un model pre-entrenat, el kNN aprèn al moment a partir dels exemples que li donem.

El procés és el següent:

1. Afegir exemples: captures una mostra (per exemple, una imatge) i li assignes una etiqueta (per exemple, "classe A").
2. Repetir: afegeixes moltes mostres de cada classe.
3. Classificar: quan arriba una nova mostra, l'algorisme busca les k mostres més similars i assigna l'etiqueta majoritària.

kNNClassifier amb ml5.js

Estructura bàsica per crear un classificador personalitzat:

let knn;
let video;

async function setup() {
  createCanvas(320, 240);
  video = await createCapture({ video: true });
  video.hide();
  knn = ml5.KNNClassifier();
}

// Quan premem una tecla, afegim un exemple
function keyPressed() {
  let features = knn.infer(video);
  if (key === 'a') knn.addExample(features, 'Classe A');
  if (key === 'b') knn.addExample(features, 'Classe B');
}

// Quan premem una altra tecla, classifiquem
function gotResults(error, result) {
  if (error) { console.error(error); return; }
  // result.label és l'etiqueta predita
  // result.confidencesByLabel és un objecte amb les confiances
}

knn.infer() extreu característiques de la imatge. knn.addExample() guarda una característica amb la seva etiqueta. knn.classify() prediu l'etiqueta d'una nova mostra.

Simulació: entrenar un classificador

Simulem el procés d'entrenament d'un kNN: afegim "mostres" amb el ratolí i el sistema aprèn a classificar noves posicions.

// Mode entrenament: clica per afegir exemples a cada zona
// Mode classificació: mou el ratolí i el sistema prediu la zona

if (mode === 'train') {
  if (mouseX < width/2) exemplesA.push({x: mouseX, y: mouseY});
  else exemplesB.push({x: mouseX, y: mouseY});
} else {
  // Troba l'exemple més proper i assigna la seva etiqueta
  prediccio = distA < distB ? 'Zona A' : 'Zona B';
}

Entrenament amb imatges simulades

Simulem l'entrenament d'un classificador d'imatges: cada "classe" es representa amb un color i una forma diferent, i el sistema aprèn a reconèixer-les.

// Mode entrenament: clica per afegir exemples amb l'etiqueta actual
// Mode classificació: mou el ratolí per veure la predicció

if (mode === 'train') {
  entrenament.push({ x: mouseX, y: mouseY, etiqueta: classeActual });
} else {
  // kNN: busca l'exemple més proper
  let millor = entrenament[0];
  for (let e of entrenament) {
    let d = dist(mouseX, mouseY, e.x, e.y);
    if (d < millorDist) { millorDist = d; millor = e; }
  }
  pred = millor.etiqueta;
}

Exemples creatius pas a pas

// Entrena amb 3 emocions: Alegre, Calmat, Trist
// Classifica noves posicions del ratolí

if (mode === 'train') {
  if (mouseX < 110) emocio = 'Alegre';
  else if (mouseX < 220) emocio = 'Calmat';
  else emocio = 'Trist';
  mostres.push({ x: mouseX, y: mouseY, emocio: emocio });
}

// Entrena zones esquerra/dreta
// Després endevina on és el ratolí segons el kNN
// Compara la predicció amb la realitat i suma punts

if (mode === 'guess') {
  etiqueta = mouseX < width/2 ? 'Esquerra' : 'Dreta';
  let pred = millor.zona; // predicció del kNN
  if (etiqueta === pred) punt++;
}

Consells per treballar amb kNNClassifier

• Més exemples = millor classificació: intenta afegir almenys 10-20 exemples per cada classe.
• Varietat: els exemples han de cobrir diferents posicions, angles i condicions de llum.
• Neteja de dades: si afegeixes un exemple equivocat, esborra'l o comença de nou.
• Nombre de veïns (k): el valor per defecte és 3. Prova amb k=1 (més sensible) o k=5 (més robust).
• Desa i carrega models: pots guardar les dades d'entrenament en un fitxer JSON per no perdre-les.