Wdrażaj modele uczenia maszynowego na urządzeniach mobilnych i IoT
TensorFlow Lite to platforma uczenia głębokiego typu open source do wnioskowania na urządzeniu.
Jak to działa
Konwertować
Konwertuj model TensorFlow na skompresowany płaski bufor za pomocą konwertera TensorFlow Lite.
Wdrożyć
Weź skompresowany plik .tflite i załaduj go do urządzenia mobilnego lub wbudowanego.
Optymalizować
Kwantyzuj, konwertując 32-bitowe liczby zmiennoprzecinkowe na bardziej wydajne 8-bitowe liczby całkowite lub uruchamiaj na GPU.
Rozwiązania typowych problemów
Poznaj zoptymalizowane modele TF Lite i rozwiązania ML na urządzeniu do zastosowań mobilnych i brzegowych.
Zidentyfikuj setki obiektów, w tym ludzi, czynności, zwierzęta, rośliny i miejsca.
Wykryj wiele obiektów za pomocą obwiedni. Tak, psy i koty też.
Użyj najnowocześniejszego modelu języka naturalnego, aby odpowiedzieć na pytania oparte na treści danego fragmentu tekstu za pomocą BERT.
Kilku naszych użytkowników TensorFlow Lite
Nowości i ogłoszenia
Sprawdź nasz blog na dodatkowe aktualizacje i zapisz się do naszego biuletynu miesięcznego TensorFlow aby uzyskać najnowsze komunikaty wysyłane bezpośrednio do skrzynki odbiorczej.
MoveNet to najnowocześniejszy model szacowania pozy dla urządzeń mobilnych, który może działać w czasie rzeczywistym na nowoczesnych smartfonach. Dowiedz się o ostatnich aktualizacjach i o tym, jak wykonać niestandardową klasyfikację ułożenia na urządzeniach z Androidem, iOS i Raspberry Pi.
Aby wypełnić lukę między tworzeniem mobilnego i internetowego ML, możesz łatwo wdrożyć bibliotekę zadań TensorFlow Lite w sieci dzięki możliwościom WebAssembly.
Ekosystem TensorFlow umożliwia firmom takim jak Edge Impulse przekazanie sztucznej inteligencji w ręce ekspertów dziedzinowych, którzy tworzą nową generację technologii konsumenckich i przemysłowych.
Dowiedz się, jak wytrenować niestandardowy model wykrywania obiektów i wdrożyć go w aplikacji na Androida za pomocą kilku wierszy kodu. Wszystko czego potrzebujesz to Android Studio i przeglądarka internetowa. Nie jest wymagana wiedza na temat uczenia maszynowego.