Weź udział w sympozjum Women in ML 7 grudnia Zarejestruj się teraz

TensorFlow Lite Modelarz

Przegląd

Biblioteka TensorFlow Lite Model Maker upraszcza proces uczenia modelu TensorFlow Lite przy użyciu niestandardowego zestawu danych. Wykorzystuje uczenie transferu, aby zmniejszyć ilość wymaganych danych treningowych i skrócić czas treningu.

Obsługiwane zadania

Biblioteka Model Maker obsługuje obecnie następujące zadania ML. Kliknij poniższe łącza, aby uzyskać wskazówki dotyczące trenowania modelu.

Obsługiwane zadania Narzędzie zadań
Klasyfikacja obrazu: samouczek , api Klasyfikuj obrazy na predefiniowane kategorie.
Wykrywanie obiektów: samouczek , api Wykrywaj obiekty w czasie rzeczywistym.
Klasyfikacja tekstu: samouczek , api Klasyfikuj tekst na predefiniowane kategorie.
BERT Pytanie Odpowiedź: samouczek , api Znajdź odpowiedź w określonym kontekście na zadane pytanie z BERT.
Klasyfikacja dźwięku: samouczek , api Klasyfikuj dźwięk na predefiniowane kategorie.
Rekomendacja: demo , api Polecaj elementy na podstawie informacji kontekstowych dla scenariusza na urządzeniu.
Wyszukiwarka: samouczek , api Wyszukaj podobny tekst lub obraz w bazie danych.

Jeśli Twoje zadania nie są obsługiwane, najpierw użyj TensorFlow , aby ponownie przeszkolić model TensorFlow z uczeniem transferu (zgodnie z przewodnikami, takimi jak obrazy , tekst , audio ) lub przeszkol go od podstaw, a następnie przekonwertuj go na model TensorFlow Lite.

Przykład całościowy

Model Maker umożliwia trenowanie modelu TensorFlow Lite przy użyciu niestandardowych zestawów danych w zaledwie kilku linijkach kodu. Na przykład oto kroki, aby wytrenować model klasyfikacji obrazów.

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/')

Więcej informacji można znaleźć w przewodniku po klasyfikacji obrazów .

Instalacja

Istnieją dwa sposoby instalacji programu Model Maker.

  • Zainstaluj gotowy pakiet pip.
pip install tflite-model-maker

Jeśli chcesz zainstalować wersję nocną, postępuj zgodnie z poleceniem:

pip install tflite-model-maker-nightly
  • Sklonuj kod źródłowy z GitHub i zainstaluj.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker zależy od pakietu pip TensorFlow. W przypadku sterowników GPU, zapoznaj się z przewodnikiem GPU lub instrukcją instalacji TensorFlow.

Dokumentacja API Pythona

Publiczne interfejsy API Kreatora modeli można znaleźć w dokumentacji API .