Wappu

Osallistu Wapputekoälyn kouluttamiseen!

Oletko aina halunnut nähdä miltä Wappu näyttää tekoälyn silmin? Noh, ei se mitään, mutta nyt on kuitenkin mahdollisuus.

Wapun aikana koulutamme tekoälyjä tuottamaan Wappuisia kuvia kahdesta kategoriasta.

Yhdelle tekoälylle syötetään opetusmateriaalina Teekkarikastekuvia ja toinen tekoäly koulutetaan Doges of Wappu -koirakuvilla. Tekoälyt oppivat hitaasti itse tuottamaan näitä kategorioita muistuttavia kuvia. Tekoälyjen tuottamia kuvia lisätään näkyviin tälle sivulle.

Mielenkiintoista onkin nähdä miten tekoälyt kehittyvät ja millaisia kuvia ne tuottavat koulutuksen eri vaiheissa. Kuvasarjat alkavat pelkästä kohinasta ja etenevät kohti tunnistettavia hahmoja. Tekniikasta tietoa alempana.

Milloin?

Tekoälyjä koulutetaan, niille kerätään materiaalia ja niiden tuottamia kuvia julkaistaan 15.4-1.5.2019 välisenä aikana.

Missä Ja miten?

Voit lähettää omia koirakuviasi tämän sivun kautta. 

Lähetettyjä kuvia käytetään tekoälyn koulutusmateriaalina, jolloin ne vaikuttavat tuotettuihin kuviin.

Miksi?

Koska se on helppoa ja hauskaa!

Pääset osallistumaan tekoälyn koulutukseen ja nähdä miten lähettämäsi kuvat ovat vaikuttaneet tuotettuihin kuviin.

+
Koulutuskuvaa
x2
Koulutustuntia
Neuroverkkoa
Wappu

KUVIEN LÄHETYS

Doges of Wappu -kategorian koulutus on alkanut, eikä kuvia voi enää lähettää. Kiitos kaikille kuvia lähettäneille!

Valitse ensin mitkä kuvat haluat lähettää ja paina sitten Lähetä-painiketta. Helppoa!

Mobiililaitteet tarjoavat myös mahdollisuuden ottaa kuva laitteen kameralla. Näin voit helposti napsaista uuden kuvan, jos vieressäsi sattuu olemaan hauva.

Lähetä vain koirakuvia, muut kuvat joutuvat tylysti roskiin! Edestä otetut kuvat sopivat parhaiten käyttötarkoitukseen. JPG, JPEG ja PNG -formaatit tuettu, yksittäisen kuvan maksimikoko 10 Mt.

WAPPUTEKOÄLYGALLERIA

Alla on Wapputekoälyjen tuottamia kuvia, uusimmat ensin. Kuvia voi suurentaa klikkaamalla niitä.

Uusia kuvia julkaistaan joka päivä Wapun aikana! Wapputekoälyjen tuottamia kuvia saa käyttää ei-kaupalliseen tarkoitukseen vapaasti! (Lisenssi: Creative Commons CC BY-NC 4.0)

Teekkarikaste

Koulutuksen edistyminen 100%: Hyvää Wappua, Terveisin Wapputekoäly! Tähän asti päästiin reilun 3 vuorokauden koulutuksella. Pidemmällä koulutuksella olisi ehkä vielä saatu naamat
Koulutuksen edistyminen 93%: Uudestaan! Kastekorista virtaa vettä kohisten kuin... koskessa! Menossa mukana myös TIY. Wapputekoäly ei kertonut mitä se tarkoittaa, koska neuroverkot eivät selittele toimintaansa
Koulutuksen edistyminen 89%: Teekkarilakki voi myös leijua ilmassa! Kuva on epäselvempi kuin edellinen, mikä on normaalia koska neuroverkon koulutus ei etene täysin suoraviivaisesti parempaa laatua kohti
Koulutuksen edistyminen 88%: Teekkarilakkien ilmassa pitäminen on ilmiö, jonka Wapputekoäly on huomannut
Koulutuksen edistyminen 83%: Vesi alkaa näyttää melko realistiselta pienine laineineen ja heijastuksineen
Koulutuksen edistyminen 82%: Takaisin veteen, ei se niin kylmää ole! Wapputekoäly tekee parhaansa myös mainoksen generointiin, mutta neuroverkoilla monesti on ongelmia tekstin kanssa
Koulutuksen edistyminen 74%: Ilmassa olevan korin tausta alkaa hahmottua
Koulutuksen edistyminen 64%: Kastekori on saanut reunat ja noussut ilmaan! Ihmisetkin erottuvat jo toisistaan
Koulutuksen edistyminen 20%: Kyllähän se kastekori on, ääriviivat ovat vielä vähän hakusessa...
Koulutuksen edistyminen 10%: Tämähän alkaa muistuttaa vedessä olevaa kastekoria
Koulutuksen edistyminen 6%: Oho, kuvaan alkaa muodostua Teekkarilakkeja!
Koulutuksen edistyminen 3%: Värit alkavat muodostaa paremmin rajattuja rykelmiä
Koulutuksen edistyminen 2%: Mistä näitä pikseleitä tulee?! Reunassa alkaa näkymään myös sinertävää vettä tai mainos?
Koulutuksen edistyminen 1%: Hieman kun silmiä siristää niin siinähän näkyy selvästi keltaisia kastepaitoja ja punavalkoraidallisia kelluketynnyreitä!
Koulutuksen edistyminen: alle 1%. Pikseleitä on tullut lisää ja niiden väri on hieman himmentynyt. Ehkä huomenna kuvassa on jo jotain hieman tunnistettavaa 😉
Koulutuksen edistyminen: alle 1%. PGGAN-verkko kasvattaa tuottamiensa kuvien resoluutiota alhaalta ylöspäin aloittaen 16 pikselistä aina 256x256 pikseliin asti.
Koulutuksen edistyminen: 0%. Kuten luvattu, ilman koulutusta generoitu kuva on pelkkää satunnaislukujen muodostamaa kohinaa.

Doges of Wappu

Wuff! - Dogeäly
Ehkei se ollutkaan karhu
Näen kuvassa jäniksen ja karhun, jolla on pitkä kieli
Aloitetaan Doges of Wappu -sarja hieman vauhdikkaammin, jotta saadaan enemmän hauvoja postattua! Jokaisessa kuvassa on neljä haukkua.

Tekniset faktat

Jos kiinnostaa tietää mitä pellin alla tapahtuu, niin tässä vielä lyhyesti tietoa tekniikasta.

Opetusmateriaalin pohjasetti on kerätty TT-kameroiden Wappukuvista. Kiitos TT-kameroille ja TTYY:lle! Kuvia voit selata osoitteessa: https://ttyy.kuvat.fi/kuvat. Teekkarikastekuvat ovat vuodelta 2018 ja Doges of Wappu vuosilta 2017 ja 2018.

Wapputekoälyt koulutetaan Google Cloud -ympäristössä, jossa on käytössä neljä NVIDIA Tesla P100 -näytönohjainta. Tekoälyn koulutus vaatii paljon prosessointitehoa, ja tehtävästä riippuen siihen tarvitaan yleensä vähintään yksi tehokas näytönohjain. Erityisesti jos opetusmateriaalina käytetään kuvia, ei koulutus onnistu pelkällä tietokoneen prosessorilla. Näiden näytönohjainten käyttäminen maksaa noin $1.5 / tunti / näytönohjain. Yhtä Wapputekoälyä täytyy kouluttaa useampi vuorokausi neljälläkin tehokkaalla näytönohjaimella. Tällöin saadaan tuotettua 256×256 pikselin kokoisia kuvia, suurempi resoluutio pidentää koulutusaikaa merkittävästi.

Opetusmateriaalina olevat kuvat syötetään GAN-neuroverkolle, joka on lyhenne sanoista Generative Adversarial Network. GAN on kahden neuroverkon yhdistelmä, jotka kouluttavat toisensa (Lisää tietoa: https://en.wikipedia.org/wiki/Generative_adversarial_network). Toisin kuin monella muulla neuroverkkotyypillä, GAN-verkolla on mahdollista saavuttaa hyviä tuloksia vaikka opetukseen käytettäviä kuvia olisikin pieni määrä. Haittapuolena tosin GAN-verkon kouluttaminen on erittäin raskasta. Wapputekoälyjen pohjatoteutuksena on käytetty PGGAN-verkkoa: Progressive Growing of GANs for Improved Quality, Stability, and Variation (Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen), git.

GAN-verkkoa koulutetaan käyttämällä pelkästään positiivista datasettiä, eikä sen kouluttamiseen tarvita ollenkaan negatiivisia esimerkkejä (eli kuvia jotka eivät edusta Wappua). Toinen neuroverkoista yrittää tuottaa uusia Wappuisia kuvia ja toinen tunnistaa ovatko tuotetut kuvat aitoja vai generoituja. Kilpailemalla keskenään molemmat neuroverkot kehittyvät samanaikaisesti paremmiksi omissa toimissaan.

GAN-neuroverkon tuottamat kuvat ovat yleensä resoluutioltaan varsin pieniä, koska verkon koulutukseen vaaditaan paljon prosessointitehoa, ja resoluutiolla on tähän suuri vaikutus. Siksi lisäksi on vielä käytössä RDN-neuroverkko, joka on lyhenne sanoista Residual Dense Network. Se mahdollistaa kuvan resoluution suurentamiseen samaan tapaan kuin TV:n rikostutkintasarjoissa, joissa kuviin taianomaisesti lisätään pikseleitä kuvan laadun heikkenemättä. (Lisää tietoa: https://en.wikipedia.org/wiki/Super-resolution_imaging). RDN-verkko koulutetaan käyttämällä korkearesoluutioisia kuvia sekä niistä automaattisesti alaspäin skaalattuja versioita. Tämäkään verkko ei siis varsinaisesti tarvitse erillistä negatiivisten esimerkkien joukkoa. Todellisuudessa pikselien lisääminen ei kuitenkaan ole ihan näin kaunista, vaan mitä enemmän kuvien resoluutiota kasvatetaan sitä enemmän niihin alkaa kerääntyä outouksia. Esimerkiksi kuvat voivat alkaa näyttää sarjakuvamaisilta, kun niissä olevat yksityiskohdat silottuvat tasaisemmiksi ja ääriviivat alkavat sekoittua toisiinsa.

Huomionarvoista näissä neuroverkoissa onkin ettei niiden datasetteihin tarvitse tehdä manuaalista annotointia tai labelointia, joka on hyvin yleistä supervised learning -koulutuksessa (https://en.wikipedia.org/wiki/Supervised_learning). Tämä nopeuttaa huomattavasti datasetin käyttöönottoa ja sen päivittämistä. GAN-verkot kategorisoidaankin suoraan unsupervised learning -koulutusta käyttäviksi (https://en.wikipedia.org/wiki/Unsupervised_learning). Wapputekoälyssä hyödynnetään valmiiksi koulutettua RDN-verkkoa, jolloin koulutusta ei tarvitse tehdä ollenkaan itse, vaan verkkoa voidaan käyttää valmiina kuvansuurennustyökaluna. Tässäkin tosin tulee huomioida se että opetusmateriaali, jolla RDN-verkko on koulutettu täytyy olla samankaltaista kuin kuvat, joihin verkkoa käytetään. Jos kuvat ovat hyvin erilaisia kuin koulutuksessa käytetyt, lisää se merkittävästi kuviin ilmestyviä outouksia.