Посетите симпозиум «Женщины в машинном обучении» 7 декабря Зарегистрируйтесь сейчас

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 количество необходимых обучающих данных и сократить время обучения.

Поддерживаемые задачи

В настоящее время библиотека Model Maker поддерживает следующие задачи машинного обучения. Нажмите на ссылки ниже, чтобы узнать, как обучить модель.

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

Если ваши задачи не поддерживаются, сначала используйте TensorFlow для переобучения модели TensorFlow с переносом обучения (следуя руководствам, таким 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 помощью пользовательских наборов данных всего за несколько строк кода. Например, вот шаги для обучения 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/')

Подробнее см. в руководстве по классификации изображений .

Монтаж

Есть два способа установить 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 устанавливайте.
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 TensorFlow pip . Драйверы графического процессора см. в руководстве TensorFlow по графическому процессору или в руководстве по установке .

Справочник API Python

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