TensorFlow Lite ist ein Open-Source-Deep-Learning-Framework zum Ausführen von TensorFlow-Modellen auf dem Gerät. Wenn Sie TensorFlow Lite noch nicht kennen, empfehlen wir Ihnen, zunächst die vorab trainierten Modelle zu erkunden und die folgenden Beispiel-Apps auf einem realen Gerät auszuführen, um zu sehen, was TensorFlow Lite kann.
Erkennen Sie Objekte in Echtzeit aus einem Kamera-Feed mit einem MobileNet-Modell.
Identifizieren Sie, was ein Audio darstellt, z. B. Klatschen oder Tippen.
Wenn Sie ein mobiler Entwickler ohne viel Erfahrung mit maschinellem Lernen und TensorFlow sind, können Sie zunächst lernen, wie Sie ein Modell trainieren und mit TensorFlow Lite Model Maker für eine mobile App bereitstellen.
Ein Schnellstart-Tutorial für Android. Trainieren Sie ein Blumenklassifizierungsmodell und stellen Sie es in einer Android-Anwendung bereit.
Ein Schnellstart-Tutorial für iOS. Trainieren Sie ein Blumenklassifizierungsmodell und stellen Sie es in einer iOS-Anwendung bereit.
Wenn Sie bereits mit TensorFlow vertraut sind und an der Bereitstellung auf Edge-Geräten interessiert sind, können Sie mit dem folgenden Tutorial beginnen, um zu erfahren, wie Sie ein TensorFlow-Modell in das TensorFlow Lite-Format konvertieren und für Inferenz auf dem Gerät optimieren.
Ein schnelles End-to-End-Tutorial zum Konvertieren und Optimieren eines TensorFlow-Modells für Inferenz auf dem Gerät, das anschließend in einer Android-App bereitgestellt wird.
Erfahren Sie, wie Sie mit TensorFlow Lite Model Maker schnell Bildklassifizierungsmodelle erstellen.
Wenn Sie ein TensorFlow-Modell auf Linux-basierten IoT-Geräten wie Raspberry Pi bereitstellen möchten, können Sie diese Tutorials zur Implementierung von Computer Vision-Aufgaben auf IoT-Geräten ausprobieren.
Führen Sie eine Echtzeit-Bildklassifizierung mit Bildern durch, die von der Pi-Kamera gestreamt wurden.
Führen Sie eine Objekterkennung in Echtzeit mit Bildern durch, die von der Pi-Kamera gestreamt wurden.
Wenn Sie ein TensorFlow-Modell auf Mikrocontrollern bereitstellen möchten, die viel mehr Ressourcen benötigen, können Sie mit diesen Tutorials beginnen, die einen End-to-End-Workflow von der Entwicklung eines TensorFlow-Modells bis zur Konvertierung in ein TensorFlow Lite-Format und der Bereitstellung in ein zeigen Mikrocontroller mit TensorFlow Lite Micro.
Trainieren Sie ein winziges Sprachmodell, das einfache Hotwords erkennen kann.
Trainieren Sie ein Modell, das mithilfe von Beschleunigungsmesserdaten verschiedene Gesten erkennen kann.

Nachdem Sie sich mit dem Workflow vertraut gemacht haben, ein TensorFlow-Modell zu trainieren, es in ein TensorFlow Lite-Format zu konvertieren und es für mobile Apps bereitzustellen, können Sie mit den folgenden Materialien mehr über TensorFlow Lite erfahren:

  • Probieren Sie die verschiedenen Domain-Tutorials (z. B. Vision, Sprache) in der linken Navigationsleiste aus. Sie zeigen Ihnen, wie Sie ein Modell für eine bestimmte maschinelle Lernaufgabe wie Objekterkennung oder Stimmungsanalyse trainieren.
  • Weitere Informationen zum Entwicklungsworkflow finden Sie im TensorFlow Lite- Handbuch . Hier finden Sie detaillierte Informationen zu TensorFlow Lite-Funktionen, z. B. zur Modellkonvertierung oder zur Modelloptimierung .
  • Schauen Sie sich diesen kostenlosen E-Learning-Kurs auf TensorFlow Lite an.

Abonnieren Sie den TensorFlow-Blog , den YouTube-Kanal und Twitter, um die neuesten Updates zu erhalten.