Istnieje wiele przeszkolonych modeli typu open source, których możesz użyć natychmiast z TensorFlow Lite, aby wykonać wiele zadań związanych z uczeniem maszynowym. Korzystanie ze wstępnie przeszkolonych modeli TensorFlow Lite umożliwia szybkie dodawanie funkcji uczenia maszynowego do aplikacji mobilnych i urządzeń brzegowych bez konieczności budowania i uczenia modelu. Ten przewodnik pomoże Ci znaleźć i wybrać przeszkolone modele do użytku z TensorFlow Lite.
Możesz od razu zacząć przeglądać modele TensorFlow Lite w oparciu o ogólne przypadki użycia w sekcji Przykłady TensorFlow Lite lub przeglądać większy zestaw modeli na TensorFlow Hub .
Znajdź model do swojej aplikacji
Znalezienie istniejącego modelu TensorFlow Lite dla Twojego przypadku użycia może być trudne w zależności od tego, co chcesz osiągnąć. Oto kilka zalecanych sposobów odkrywania modeli do użycia z TensorFlow Lite:
Na przykład: Najszybszym sposobem na znalezienie i rozpoczęcie korzystania z modeli za pomocą TensorFlow Lite jest przejrzenie sekcji Przykłady TensorFlow Lite w celu znalezienia modeli, które wykonują zadanie podobne do Twojego przypadku użycia. Ten krótki katalog przykładów zawiera modele dla typowych przypadków użycia wraz z objaśnieniami modeli i przykładowym kodem, aby rozpocząć ich uruchamianie i używanie.
Według typu wprowadzania danych: oprócz patrzenia na przykłady podobne do twojego przypadku użycia, innym sposobem odkrywania modeli do własnego użytku jest rozważenie typu danych, które chcesz przetworzyć, takich jak dane audio, tekst, obrazy lub wideo. Modele uczenia maszynowego są często projektowane do użytku z jednym z tych typów danych, więc szukanie modeli obsługujących typ danych, którego chcesz użyć, może pomóc zawęzić wybór modeli do rozważenia. W TensorFlow Hub możesz użyć filtru domeny Problem, aby wyświetlić typy danych modeli i zawęzić listę.
Poniższa lista zawiera łącza do modeli TensorFlow Lite w TensorFlow Hub w typowych przypadkach użycia:
- Modele klasyfikacji obrazów
- Modele wykrywania obiektów
- Modele klasyfikacji tekstu
- Modele osadzania tekstu
- Modele syntezy mowy audio
- Modele do osadzania dźwięku
Wybierz między podobnymi modelami
Jeśli Twoja aplikacja jest zgodna z typowym przypadkiem użycia, takim jak klasyfikacja obrazów lub wykrywanie obiektów, możesz zdecydować się między wieloma modelami TensorFlow Lite, z różnymi rozmiarami binarnymi, rozmiarem danych wejściowych, szybkością wnioskowania i ocenami dokładności prognoz. Decydując między wieloma modelami, należy najpierw zawęzić opcje w oparciu o najbardziej ograniczające ograniczenie: rozmiar modelu, rozmiar danych, szybkość wnioskowania lub dokładność.
Jeśli nie masz pewności, jakie jest Twoje najbardziej ograniczające ograniczenie, załóż, że jest to rozmiar modelu i wybierz najmniejszy dostępny model. Wybranie małego modelu zapewnia największą elastyczność pod względem urządzeń, na których można z powodzeniem wdrożyć i uruchomić model. Mniejsze modele zazwyczaj generują również szybsze wnioskowania, a szybsze predykcje zazwyczaj zapewniają lepsze wrażenia użytkownika końcowego. Mniejsze modele mają zwykle niższe wskaźniki dokładności, więc może być konieczne wybranie większych modeli, jeśli dokładność przewidywania jest Twoim głównym problemem.
Źródła dla modeli
Skorzystaj z sekcji Przykłady TensorFlow Lite i Centrum TensorFlow jako pierwszych miejsc docelowych wyszukiwania i wybierania modeli do użycia z TensorFlow Lite. Źródła te zazwyczaj zawierają aktualne, wyselekcjonowane modele do użytku z TensorFlow Lite i często zawierają przykładowy kod, aby przyspieszyć proces rozwoju.
Modele TensorFlow
Możliwe jest przekonwertowanie zwykłych modeli TensorFlow do formatu TensorFlow Lite. Więcej informacji na temat konwertowania modeli można znaleźć w dokumentacji TensorFlow Lite Converter . Modele TensorFlow można znaleźć na TensorFlow Hub oraz w TensorFlow Model Garden .