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 .