Modèles pré-entraînés pour TensorFlow Lite

Il existe une variété de modèles open source déjà formés que vous pouvez utiliser immédiatement avec TensorFlow Lite pour accomplir de nombreuses tâches d'apprentissage automatique. L'utilisation de modèles TensorFlow Lite pré-entraînés vous permet d'ajouter rapidement des fonctionnalités d'apprentissage automatique à votre application d'appareils mobiles et périphériques, sans avoir à créer et à entraîner un modèle. Ce guide vous aide à trouver et à choisir des modèles entraînés à utiliser avec TensorFlow Lite.

Vous pouvez commencer à parcourir les modèles TensorFlow Lite immédiatement en fonction des cas d'utilisation généraux dans la section Exemples TensorFlow Lite , ou parcourir un plus grand ensemble de modèles sur TensorFlow Hub .

Trouvez un modèle pour votre application

Trouver un modèle TensorFlow Lite existant pour votre cas d'utilisation peut être délicat en fonction de ce que vous essayez d'accomplir. Voici quelques méthodes recommandées pour découvrir des modèles à utiliser avec TensorFlow Lite :

Par exemple : le moyen le plus rapide de rechercher et de commencer à utiliser des modèles avec TensorFlow Lite consiste à parcourir la section Exemples de TensorFlow Lite pour trouver des modèles qui exécutent une tâche similaire à votre cas d'utilisation. Ce court catalogue d'exemples fournit des modèles pour des cas d'utilisation courants avec des explications sur les modèles et des exemples de code pour vous permettre de commencer à les exécuter et à les utiliser.

Par type d'entrée de données : outre l'examen d'exemples similaires à votre cas d'utilisation, une autre façon de découvrir des modèles pour votre propre usage consiste à considérer le type de données que vous souhaitez traiter, telles que les données audio, texte, images ou vidéo. Les modèles d'apprentissage automatique sont souvent conçus pour être utilisés avec l'un de ces types de données. Par conséquent, la recherche de modèles qui gèrent le type de données que vous souhaitez utiliser peut vous aider à affiner les modèles à prendre en compte. Sur TensorFlow Hub , vous pouvez utiliser le filtre Domaine problématique pour afficher les types de données de modèle et affiner votre liste.

La liste suivante répertorie les liens vers les modèles TensorFlow Lite sur TensorFlow Hub pour les cas d'utilisation courants :

Choisissez entre des modèles similaires

Si votre application suit un cas d'utilisation courant tel que la classification d'images ou la détection d'objets, vous devrez peut-être choisir entre plusieurs modèles TensorFlow Lite, avec des tailles binaires, des tailles d'entrée de données, des vitesses d'inférence et des évaluations de précision de prédiction variables. Lorsque vous choisissez entre plusieurs modèles, vous devez d'abord affiner vos options en fonction de votre contrainte la plus restrictive : taille du modèle, taille des données, vitesse d'inférence ou précision.

Si vous ne savez pas quelle est votre contrainte la plus limitante, supposez qu'il s'agit de la taille du modèle et choisissez le plus petit modèle disponible. Choisir un petit modèle vous offre la plus grande flexibilité en termes d'appareils sur lesquels vous pouvez déployer et exécuter le modèle avec succès. Les modèles plus petits produisent également généralement des inférences plus rapides, et des prédictions plus rapides créent généralement de meilleures expériences pour l'utilisateur final. Les modèles plus petits ont généralement des taux de précision inférieurs, vous devrez donc peut-être choisir des modèles plus grands si la précision des prédictions est votre principale préoccupation.

Sources des modèles

Utilisez la section Exemples TensorFlow Lite et TensorFlow Hub comme premières destinations pour rechercher et sélectionner des modèles à utiliser avec TensorFlow Lite. Ces sources proposent généralement des modèles organisés et à jour à utiliser avec TensorFlow Lite, et incluent fréquemment des exemples de code pour accélérer votre processus de développement.

Modèles TensorFlow

Il est possible de convertir des modèles TensorFlow standard au format TensorFlow Lite. Pour plus d'informations sur la conversion de modèles, consultez la documentation de TensorFlow Lite Converter . Vous pouvez trouver des modèles TensorFlow sur TensorFlow Hub et dans TensorFlow Model Garden .