TensorFlow Lite wykorzystuje modele TensorFlow przekonwertowane na mniejszy, bardziej wydajny format modelu uczenia maszynowego (ML). Możesz używać wstępnie wytrenowanych modeli z TensorFlow Lite, modyfikować istniejące modele lub budować własne modele TensorFlow, a następnie konwertować je do formatu TensorFlow Lite. Modele TensorFlow Lite mogą wykonać prawie każde zadanie, które może wykonać zwykły model TensorFlow: wykrywanie obiektów, przetwarzanie języka naturalnego, rozpoznawanie wzorców i wiele innych przy użyciu szerokiego zakresu danych wejściowych, w tym obrazów, wideo, audio i tekstu.
Mapa drogowa nauki
Masz model TensorFlow?
Przejdź do sekcji Konwertuj , aby uzyskać informacje na temat uruchamiania modelu z TensorFlow Lite.Potrzebujesz modelu dla TensorFlow Lite?
Aby uzyskać wskazówki dotyczące pobierania modeli do przypadku użycia, czytaj dalej .Pobierz modele dla TensorFlow Lite
Nie musisz budować modelu TensorFlow Lite, aby zacząć korzystać z uczenia maszynowego na urządzeniach mobilnych lub brzegowych. Wiele już zbudowanych i zoptymalizowanych modeli jest dostępnych do natychmiastowego użycia w aplikacji. Możesz zacząć od używania wstępnie wytrenowanych modeli w TensorFlow Lite i przejść do budowania niestandardowych modeli z biegiem czasu, w następujący sposób:
- Rozpocznij opracowywanie funkcji uczenia maszynowego z już wytrenowanymi modelami.
- Modyfikuj istniejące modele TensorFlow Lite za pomocą narzędzi takich jak Model Maker .
- Zbuduj niestandardowy model za pomocą narzędzi TensorFlow, a następnie przekonwertuj go na TensorFlow Lite.
Używanie modeli do szybkich zadań: ML Kit
Jeśli próbujesz szybko zaimplementować funkcje lub zadania użytkowe za pomocą uczenia maszynowego, powinieneś przejrzeć przypadki użycia obsługiwane przez ML Kit przed rozpoczęciem programowania z TensorFlow Lite. To narzędzie programistyczne udostępnia interfejsy API, które można wywoływać bezpośrednio z aplikacji mobilnych, aby wykonywać typowe zadania ML, takie jak skanowanie kodów kreskowych i tłumaczenie na urządzeniu. Korzystanie z tej metody może pomóc w szybkim uzyskaniu wyników. Jednak ML Kit ma ograniczone możliwości rozszerzenia swoich możliwości. Aby uzyskać więcej informacji, zobacz dokumentację dla programistów ML Kit .
Budowanie modeli dla Twojej aplikacji: Ograniczenia
Jeśli ostatecznym celem jest zbudowanie niestandardowego modelu dla konkretnego przypadku użycia, powinieneś zacząć od opracowania i trenowania modelu TensorFlow lub rozszerzenia istniejącego. Przed rozpoczęciem procesu opracowywania modelu należy zdawać sobie sprawę z ograniczeń modeli TensorFlow Lite i budować swój model, mając na uwadze te ograniczenia:
- Ograniczone możliwości obliczeniowe
- Rozmiar modeli
- Rozmiar danych
- Obsługiwane operacje TensorFlow
Aby uzyskać więcej szczegółów na temat każdego z tych ograniczeń, zobacz ograniczenia projektu modelu w omówieniu budowania modelu. Aby uzyskać więcej informacji na temat tworzenia skutecznych, zgodnych modeli o wysokiej wydajności dla TensorFlow Lite, zobacz Najlepsze praktyki dotyczące wydajności .