Pourquoi la machine enseignable ne fonctionne-t-elle pas ? Causes essentielles et diagnostics
Les premiers signes d’un effondrement
Avant de commencer le diagnostic, sachez reconnaître rapidement les indicateurs d’un défaut :
- La caméra reste bloquée sur une image fixe.
- Le modèle refuse de s’entraîner et affiche un message d’erreur.
- Les prédictions sont toujours incorrectes, même lorsque les données semblent cohérentes.
- L’application se ferme soudainement ou ne répond plus à la souris.
Ces symptômes vous dirigent vers les contrôles de base répertoriés ci-dessous.
Vérifier le contexte technique
1. Configuration système requise et connexion Internet
Teachable Machine est basé sur un navigateur moderne (Chrome, Edge, Firefox) et nécessite une connexion stable :
- Version du navigateur : 最新的 Chrome 112+ ou équivalent est recommandé.
- Accès à la caméra : Le navigateur doit autoriser l’accès à la caméra et au microphone.
- Niveau de sécurité : Certains réseaux d’entreprise bloquent les ports WebRTC ; test sur un réseau domestique ou VPN.
2. Vérification du matériel
Caméra
- Testez la webcam dans un autre programme (Zoom, VLC).
- Vérifiez si la caméra est reconnue par le système d’exploitation.
Microphone (si vous utilisez la capture audio)
- Assurez-vous que le volume n’est pas éteint et que le bon appareil est sélectionné.
Pilotes et RAM
- Les pilotes de carte graphique sont souvent à l’origine de crashs lors de la génération du modèle.
- Si vous disposez de moins de 4 Go de RAM, la formation peut échouer ; prévoyez au moins 8 Go.
Diagnostiquer les erreurs pendant la formation
1. Messages d’erreur courants
| Message d’erreur | Interprétation | Action recommandée |
|---|---|---|
| «Accès à la caméra refusé» | Bloquer « localhost » dans les paramètres de sécurité | Autoriser dans le navigateur |
| « Mémoire insuffisante » | RAM insuffisante pour la formation | Fermez les applications, ajoutez de la RAM |
| « NaN à la sortie » | Problème de données (ondulations, bruit) | Effacer les données, redémarrer |
| « Erreur inattendue » | Bug interne ou incompatibilité | Mettre à jour le navigateur, contacter l’assistance |
2. Utilisez la console du navigateur
Ouvrez l’outil de développement (F12) et regardez l’onglet «Console». Les erreurs JavaScript apparaissent en rouge et fournissent généralement un suivi détaillé.
Vérifier les données d’entraînement
1. Qualité et diversité des exemples
- Taille de l’image : entre 64×64 et 512×512 px suffit.
- Équilibre : Chaque classe doit contenir un nombre comparable d’exemples.
- Contraste : Des images clairement différenciées évitent toute confusion.
2. Nettoyage des données
Les données déformées (par exemple, distorsion, bruit de fond vidéo) peuvent affecter l’apprentissage.
- Utilisez un outil d’édition simple (GIMP, Paint.NET) pour redimensionner et recadrer les images.
- Supprimez les étiquettes des objets « oubliés » (légende désignant correctement la classe).
3. Validation croisée rapide
Avant de lancer une formation complète, utilisez la fonction « Aperçu » pour simuler la prédiction sur un sous-ensemble – un bon moyen de détecter les incohérences avant de consommer des ressources.
Optimiser la formation et l’inférence
1. Choisissez le bon modèle
Teachable Machine propose trois architectures:
- Image (CNN de base).
- Audio (RNN ou CNN adapté en wav).
- Pose (Webcam).
Assurez-vous de sélectionner la catégorie qui correspond à votre projet.
10 modeles Excel + memo dates fiscales 2026 (kit TPE)
Bilan simplifie, suivi tresorerie, calcul TVA, fiche de paie - 10 templates prets a remplir + planning annuel des declarations.
Pas de spam. Desinscription en 1 clic.2. Paramètres d’entraînement
| Contexte | Recommandation | De sorte que |
|---|---|---|
| Saisons | 50-150 | Peu d’époques provoquent un sous-ajustement. |
| Taille du lot | 16-32 | Un lot trop volumineux peut saturer la mémoire ; un lot trop petit fait varier les dégradés. |
| Taux d’apprentissage | 0,001 – 0,01 | Si la courbe de perte stagne, diminuez légèrement. |
| Sortir | 0,2 – 0,4 | Évitez un apprentissage excessif, surtout avec peu d’exemples. |
3. Surveiller la perte et la précision
- Courbe de perte : une diminution monotone indique une bonne convergence.
- Précision: si la valeur oscille autour de 0,5, votre modèle ne fait pas de distinction entre les classes ; observer la répartition des données.
Contourner les limitations de la version Web
Teachable Machine fonctionne dans le navigateur, ce qui impose certaines limitations:
- Périphériques non pris en charge : Certains appareils WebXR ou webcams propriétaires ne fonctionnent pas.
- Bande passante : La formation nécessite l’envoi de données aux serveurs de Google ; Si votre connexion est lente, le processus peut sembler bloqué.
- Quota d’utilisation : Google impose le partage des ressources; Si votre compte est nominal, vous pouvez être limité.
Solutions
- Essayez un autre navigateur ou la version hors ligne (si disponible).
- Téléchargez les modèles via l’export et testez-les localement sur TensorFlow.js .
- Compresser les données pour réduire le montant transmis.
Quand contacter le support ou la communauté
| Situation | Action |
|---|---|
| Le site reste bloqué malgré tout | Redémarrez le navigateur, videz le cache, essayez avec un autre utilisateur Windows/Mac. |
| Erreur « Quota dépassé » | Attendez quelques heures ou utilisez un autre compte Google. |
| Erreur inconnue persistante | Publiez le terme « Teachable Machine » sur le forum Google avec une capture d’écran et une trace de la console. |
Les réponses proviennent souvent de développeurs ou d’utilisateurs ayant rencontré la même faille.
Évitez les pannes futures
1. Sauvegardez régulièrement les projets
Téléchargez un zip de votre modèle toutes les deux semaines. Cela évite de perdre du travail en deux heures.
2. Automatisez les tests
Créez un script simple (ou utilisez un service CI) qui charge votre modèle exporté et exécute un test sur un ensemble de validation connu.
3. Gardez votre navigateur et votre matériel à jour
Les mises à jour de sécurité ou de compatibilité peuvent entraîner des restrictions temporaires.
Résumé des solutions rapides
- Autoriser l’accès à la caméra et au microphonedans le navigateur.
- Vérifiez les pilotes et la RAM: Mettez à jour et ajoutez de la mémoire si nécessaire.
- Nettoyer et diversifier les donnéesentraînement.
- Utiliser la console du navigateurpour un diagnostic précis.
- Vérifier les paramètres d’entraînement(saisons, taille du lot).
- Changer de navigateur ou tester hors lignesi le problème persiste.
Grâce à ces étapes, vous serez en mesure d’identifier la cause de la panne de la machine enseignable et d’appliquer la solution appropriée, garantissant ainsi une expérience de modélisation fluide et productive. Bonne formation !