Pierwsze kroki
TensorFlow Lite to platforma uczenia głębokiego typu open source do uruchamiania modeli TensorFlow na urządzeniu. Jeśli dopiero zaczynasz korzystać z TensorFlow Lite, zalecamy, aby najpierw zapoznać się z wstępnie wytrenowanymi modelami i uruchomić przykładowe aplikacje poniżej na prawdziwym urządzeniu, aby zobaczyć, co potrafi TensorFlow Lite.Wykrywanie obiektów
Wykrywaj obiekty w czasie rzeczywistym z obrazu z kamery za pomocą modelu MobileNet.Pytanie i odpowiedź
Odpowiedz na pytania związane z danym tekstem za pomocą modelu MobileBERT.Dla programistów mobilnych
Jeśli jesteś programistą mobilnym bez dużego doświadczenia w uczeniu maszynowym i TensorFlow, możesz zacząć od nauczenia się, jak wytrenować model i wdrożyć go w aplikacji mobilnej za pomocą TensorFlow Lite Model Maker.Rozpoznaj kwiaty na Androidzie
Szybki samouczek dla Androida. Wytrenuj model klasyfikacji kwiatów i wdróż go w aplikacji na Androida.Rozpoznaj kwiaty na iOS
Szybki samouczek dla systemu iOS. Wytrenuj model klasyfikacji kwiatów i wdróż go w aplikacji dla systemu iOS.Dla twórców modeli
Jeśli znasz już TensorFlow i jesteś zainteresowany wdrażaniem na urządzeniach brzegowych, możesz zacząć od poniższego samouczka, aby dowiedzieć się, jak przekonwertować model TensorFlow do formatu TensorFlow Lite i zoptymalizować go pod kątem wnioskowania na urządzeniu.Rozpoznaj odręczne cyfry
Szybki start, kompleksowy samouczek dotyczący konwertowania i optymalizowania modelu TensorFlow pod kątem wnioskowania na urządzeniu, a następnie wdrażanie go w aplikacji na Androida.Przenieś naukę do klasyfikacji obrazów
Dowiedz się, jak korzystać z TensorFlow Lite Model Maker do szybkiego tworzenia modeli klasyfikacji obrazów.Dla programistów IoT
Jeśli jesteś zainteresowany wdrożeniem modelu TensorFlow na urządzeniach IoT opartych na systemie Linux, takich jak Raspberry Pi, możesz wypróbować te samouczki dotyczące wdrażania zadań widzenia komputerowego na urządzeniach IoT.Klasyfikacja obrazu na Raspberry Pi
Przeprowadź klasyfikację obrazu w czasie rzeczywistym za pomocą obrazów przesyłanych strumieniowo z kamery Pi.Wykrywanie obiektów na Raspberry Pi
Wykonywanie wykrywania obiektów w czasie rzeczywistym za pomocą obrazów przesyłanych strumieniowo z kamery Pi.
Jeśli chcesz wdrożyć model TensorFlow w mikrokontrolerach, które są znacznie bardziej ograniczone zasobami, możesz zacząć od tych samouczków, które pokazują kompleksowy przepływ pracy od opracowania modelu TensorFlow do konwersji do formatu TensorFlow Lite i wdrożenia do mikrokontroler z TensorFlow Lite Micro.
Wykrywanie słów-kluczy
Wytrenuj mały model mowy, który może wykrywać proste słowa kluczowe.Rozpoznawanie gestów
Wytrenuj model, który potrafi rozpoznawać różne gesty na podstawie danych z akcelerometru.Następne kroki
Po zapoznaniu się z przepływem pracy związanym z trenowaniem modelu TensorFlow, konwersją do formatu TensorFlow Lite i wdrożeniem go w aplikacjach mobilnych, możesz dowiedzieć się więcej o TensorFlow Lite, korzystając z poniższych materiałów:
- Wypróbuj różne samouczki domen (np. Wizja, mowa) z lewego paska nawigacyjnego. Pokazują, jak wytrenować model pod kątem określonego zadania uczenia maszynowego, takiego jak wykrywanie obiektów lub analiza opinii .
- Dowiedz się więcej o przebiegu prac związanych z programowaniem w przewodniku TensorFlow Lite. Można znaleźć szczegółowe informacje o funkcjach TensorFlow Lite, takich jak konwersja lub optymalizacja modelu .
- Sprawdź ten bezpłatny kurs e-learningowy na TensorFlow Lite.
Blogi i filmy
Zasubskrybuj blog TensorFlow , kanał YouTube i Twitter, aby otrzymywać najnowsze aktualizacje.