Создатель моделей TensorFlow Lite

Обзор

Библиотека TensorFlow Lite Model Maker упрощает процесс обучения модели TensorFlow Lite с использованием пользовательского набора данных. Он использует трансферное обучение, чтобы уменьшить объем необходимых обучающих данных и сократить время обучения.

Поддерживаемые задачи

Библиотека Model Maker в настоящее время поддерживает следующие задачи машинного обучения. Нажмите на ссылку ниже, чтобы просмотреть инструкции по обучению модели.

Поддерживаемые задачи Утилита задач
Классификация изображений: учебник , API Классифицируйте изображения по предопределенным категориям.
Обнаружение объектов: руководство , API Обнаруживайте объекты в режиме реального времени.
Классификация текста: учебник , API Классифицируйте текст по предопределенным категориям.
BERT Вопрос Ответ: учебник , API Найдите ответ в определенном контексте на заданный вопрос с помощью BERT.
Классификация аудио: учебник , API Классифицируйте аудио по предопределенным категориям.
Рекомендация: демо , API Рекомендовать элементы на основе контекстной информации для сценария на устройстве.
Поисковик: учебник , API Найдите похожий текст или изображение в базе данных.

Если ваши задачи не поддерживаются, сначала используйте TensorFlow для переобучения модели TensorFlow с помощью трансферного обучения (следуя таким руководствам, как изображения , текст , аудио ) или обучите ее с нуля, а затем преобразуйте ее в модель TensorFlow Lite.

Сквозной пример

Model Maker позволяет обучать модель TensorFlow Lite с использованием пользовательских наборов данных всего за несколько строк кода. Например, вот шаги по обучению модели классификации изображений.

from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader

# Load input data specific to an on-device ML app.
data = DataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)

# Customize the TensorFlow model.
model = image_classifier.create(train_data)

# Evaluate the model.
loss, accuracy = model.evaluate(test_data)

# Export to Tensorflow Lite model and label file in `export_dir`.
model.export(export_dir='/tmp/')

Более подробную информацию можно найти в руководстве по классификации изображений .

Установка

Существует два способа установки Model Maker.

  • Установите готовый пакет pip.
pip install tflite-model-maker

Если вы хотите установить ночную версию, выполните команду:

pip install tflite-model-maker-nightly
  • Клонируйте исходный код с GitHub и установите.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker зависит от пакета pip TensorFlow. Драйверы графического процессора см. в руководстве по графическому процессору TensorFlow или в руководстве по установке .

Справочник по API Python

Вы можете узнать общедоступные API Model Maker в справочнике по API .