TensorFlow Lite एक छोटे, अधिक कुशल मशीन लर्निंग (ML) मॉडल प्रारूप में परिवर्तित TensorFlow मॉडल का उपयोग करता है। आप TensorFlow Lite के साथ पूर्व-प्रशिक्षित मॉडल का उपयोग कर सकते हैं, मौजूदा मॉडल को संशोधित कर सकते हैं, या अपने स्वयं के TensorFlow मॉडल बना सकते हैं और फिर उन्हें TensorFlow Lite प्रारूप में बदल सकते हैं। TensorFlow Lite मॉडल लगभग कोई भी कार्य कर सकते हैं जो एक नियमित TensorFlow मॉडल कर सकता है: छवियों, वीडियो, ऑडियो और टेक्स्ट सहित इनपुट डेटा की एक विस्तृत श्रृंखला का उपयोग करके ऑब्जेक्ट डिटेक्शन, प्राकृतिक भाषा प्रसंस्करण, पैटर्न पहचान, और बहुत कुछ।

अपने मॉडल को TensorFlow Lite के साथ चलाने के बारे में जानकारी के लिए कनवर्ट करें अनुभाग पर जाएं।
अपने उपयोग के मामले के लिए मॉडल प्राप्त करने पर मार्गदर्शन के लिए, पढ़ते रहें

मोबाइल या एज डिवाइस पर मशीन लर्निंग का उपयोग शुरू करने के लिए आपको TensorFlow Lite मॉडल बनाने की आवश्यकता नहीं है। आपके आवेदन में तुरंत उपयोग करने के लिए कई पहले से निर्मित और अनुकूलित मॉडल उपलब्ध हैं। आप TensorFlow Lite में पूर्व-प्रशिक्षित मॉडल का उपयोग करके शुरू कर सकते हैं और समय के साथ कस्टम मॉडल बनाने के लिए आगे बढ़ सकते हैं, जैसा कि निम्नानुसार है:

  1. पहले से प्रशिक्षित मॉडल के साथ मशीन लर्निंग फीचर विकसित करना शुरू करें।
  2. मॉडल मेकर जैसे टूल का उपयोग करके मौजूदा TensorFlow लाइट मॉडल को संशोधित करें।
  3. TensorFlow टूल के साथ एक कस्टम मॉडल बनाएं और फिर इसे TensorFlow Lite में बदलें।

यदि आप मशीन लर्निंग के साथ सुविधाओं या उपयोगिता कार्यों को जल्दी से लागू करने का प्रयास कर रहे हैं, तो आपको TensorFlow Lite के साथ विकास शुरू करने से पहले एमएल किट द्वारा समर्थित उपयोग के मामलों की समीक्षा करनी चाहिए। यह विकास उपकरण एपीआई प्रदान करता है जिसे आप बारकोड स्कैनिंग और ऑन-डिवाइस अनुवाद जैसे सामान्य एमएल कार्यों को पूरा करने के लिए सीधे मोबाइल ऐप से कॉल कर सकते हैं। इस विधि का उपयोग करने से आपको तेजी से परिणाम प्राप्त करने में मदद मिल सकती है। हालांकि, एमएल किट के पास अपनी क्षमताओं को बढ़ाने के लिए सीमित विकल्प हैं। अधिक जानकारी के लिए, एमएल किट डेवलपर दस्तावेज़ देखें।


यदि आपके विशिष्ट उपयोग के मामले के लिए एक कस्टम मॉडल बनाना आपका अंतिम लक्ष्य है, तो आपको एक TensorFlow मॉडल के विकास और प्रशिक्षण के साथ शुरू करना चाहिए या किसी मौजूदा मॉडल का विस्तार करना चाहिए। अपनी मॉडल विकास प्रक्रिया शुरू करने से पहले, आपको TensorFlow Lite मॉडल की बाधाओं के बारे में पता होना चाहिए और इन बाधाओं को ध्यान में रखते हुए अपने मॉडल का निर्माण करना चाहिए:

  • सीमित गणना क्षमताएं - कई सीपीयू, उच्च मेमोरी क्षमता, और जीपीयू और टीपीयू जैसे विशेष प्रोसेसर वाले पूरी तरह से सुसज्जित सर्वर की तुलना में, मोबाइल और एज डिवाइस बहुत अधिक सीमित हैं, और मॉडल और डेटा जिन्हें आप प्रभावी ढंग से संसाधित कर सकते हैं, सीमित हैं।
  • मॉडल का आकार - एक मॉडल की समग्र जटिलता, जिसमें डेटा प्री-प्रोसेसिंग लॉजिक और मॉडल में परतों की संख्या शामिल है, एक मॉडल के इन-मेमोरी आकार को बढ़ाता है। एक बड़ा मॉडल अस्वीकार्य रूप से धीमा चल सकता है या मोबाइल या एज डिवाइस की उपलब्ध मेमोरी में फिट नहीं हो सकता है।
  • डेटा का आकार - मशीन लर्निंग मॉडल के साथ प्रभावी ढंग से संसाधित किए जा सकने वाले इनपुट डेटा का आकार मोबाइल या एज डिवाइस पर सीमित होता है। बड़े डेटा लाइब्रेरी जैसे भाषा लाइब्रेरी, इमेज लाइब्रेरी या वीडियो क्लिप लाइब्रेरी का उपयोग करने वाले मॉडल इन उपकरणों पर फिट नहीं हो सकते हैं, और उन्हें ऑफ-डिवाइस स्टोरेज और एक्सेस सॉल्यूशंस की आवश्यकता हो सकती है।
  • समर्थित TensorFlow संचालन - TensorFlow Lite रनटाइम वातावरण नियमित TensorFlow मॉडल की तुलना में कम संख्या में मशीन लर्निंग मॉडल संचालन का समर्थन करते हैं। जैसे ही आप TensorFlow Lite के साथ उपयोग के लिए एक मॉडल विकसित करते हैं, आपको TensorFlow Lite रनटाइम वातावरण की क्षमताओं के विरुद्ध अपने मॉडल की संगतता को ट्रैक करना चाहिए।

अधिक जानकारी के लिए TensorFlow Lite के लिए प्रभावी, संगत, उच्च प्रदर्शन मॉडल बनाने के लिए, प्रदर्शन सर्वोत्तम अभ्यास देखें।

TensorFlow Lite के साथ उपयोग करने के लिए पूर्व-प्रशिक्षित ML मॉडल चुनना सीखें।
अपने प्रशिक्षण डेटा का उपयोग करके मॉडल को संशोधित करने के लिए TensorFlow Lite Model Maker का उपयोग करें।
TensorFlow Lite के साथ उपयोग करने के लिए कस्टम TensorFlow मॉडल बनाने का तरीका जानें।