Visão geral
A biblioteca TensorFlow Lite Model Maker simplifica o processo de treinamento de um modelo do TensorFlow Lite usando um conjunto de dados personalizado. Ele usa aprendizagem por transferência para reduzir a quantidade de dados de treinamento necessários e encurtar o tempo de treinamento.
Tarefas Suportadas
A biblioteca Model Maker atualmente oferece suporte às seguintes tarefas de ML. Clique nos links abaixo para obter guias sobre como treinar o modelo.
| Tarefas Suportadas | Utilitário de Tarefas |
|---|---|
| Classificação de imagens: tutorial , API | Classifique as imagens em categorias predefinidas. |
| Detecção de objetos: tutorial , API | Detecte objetos em tempo real. |
| Classificação de texto: tutorial , API | Classifique o texto em categorias predefinidas. |
| Resposta da pergunta BERT: tutorial , API | Encontre a resposta em um determinado contexto para uma determinada pergunta com o BERT. |
| Classificação de áudio: tutorial , API | Classifique o áudio em categorias predefinidas. |
| Recomendação: demonstração , API | Recomendar itens com base nas informações de contexto do cenário no dispositivo. |
| Pesquisador: tutorial , API | Pesquise texto ou imagem semelhante em um banco de dados. |
Se suas tarefas não forem suportadas, primeiro use o TensorFlow para treinar novamente um modelo do TensorFlow com aprendizagem por transferência (seguindo guias como images , text , audio ) ou treine-o do zero e, em seguida, converta- o para o modelo TensorFlow Lite.
Exemplo de ponta a ponta
O Model Maker permite treinar um modelo do TensorFlow Lite usando conjuntos de dados personalizados em apenas algumas linhas de código. Por exemplo, aqui estão as etapas para treinar um modelo de classificação de imagens.
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/')
Para mais detalhes, consulte o guia de classificação de imagens .
Instalação
Existem duas maneiras de instalar o Model Maker.
- Instale um pacote pip pré-construído.
pip install tflite-model-maker
Se você deseja instalar a versão noturna, siga o comando:
pip install tflite-model-maker-nightly
- Clone o código-fonte do GitHub e instale.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
O TensorFlow Lite Model Maker depende do pacote pip do TensorFlow. Para drivers de GPU, consulte o guia de GPU ou o guia de instalação do TensorFlow.
Referência da API Python
Você pode descobrir as APIs públicas do Model Maker na referência da API .