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 .