Descripción general
La biblioteca de TensorFlow Lite Model Maker simplifica el proceso de entrenamiento de un Modelo de TensorFlow Lite con conjuntos de datos personalizados. Usa aprendizaje por transferencia para reducir la cantidad necesaria de datos de entrenamiento y acortar el tiempo de entrenamiento.
Tareas compatibles
En la actualidad, la biblioteca de Model Maker admite las siguientes tareas de AA. Haz clic en el ícono vínculos a continuación para obtener guías sobre cómo entrenar el modelo.
| Tareas compatibles | Utilidad de tareas |
|---|---|
| Clasificación de imágenes: instructivo, api | Clasificar imágenes en categorías predefinidas |
| Detección de objetos: instructivo, api | Detecta objetos en tiempo real. |
| Clasificación de texto: instructivo, api | Clasificar el texto en categorías predefinidas |
| Respuestas a preguntas de BERT: instructivo, api | Usa un modelo de BERT para encontrar la respuesta a una pregunta específica en cierto contexto. |
| Clasificación de audio: instructivo, api | Clasificar audio en categorías predefinidas. |
| Recomendación: demo, api | Recomienda artículos según la información contextual para el caso integrado en el dispositivo. |
| Buscador: instructivo, api | Busca texto o imágenes similares en una base de datos. |
Si tus tareas no son compatibles, usa primero TensorFlow para volver a entrenar un modelo de TensorFlow con el aprendizaje por transferencia (siguiendo guías como imágenes, texto, audio) o entrenarlo desde cero y, luego, convertirlo en TensorFlow. Modelo Lite.
Ejemplo de extremo a extremo
Model Maker te permite entrenar un modelo de TensorFlow Lite con conjuntos de datos personalizados en unas pocas líneas de código. Por ejemplo, estos son los pasos para entrenar una imagen de clasificación de modelos.
from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader
# Load input data specific to an on-device ML app.
data = DataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)
# Customize the TensorFlow model.
model = image_classifier.create(train_data)
# Evaluate the model.
loss, accuracy = model.evaluate(test_data)
# Export to Tensorflow Lite model and label file in `export_dir`.
model.export(export_dir='/tmp/')
Para obtener más detalles, consulta la guía de clasificación de imágenes.
Instalación
Existen dos maneras de instalar Model Maker.
- Instala un paquete pip precompilado.
pip install tflite-model-maker
Si deseas instalar la versión nocturna, sigue el comando:
pip install tflite-model-maker-nightly
- Clona el código fuente desde GitHub y, luego, instálalo.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker depende de TensorFlow pip paquete. Para controladores de GPU, consulta para la guía de GPU de TensorFlow o guía de instalación.
Referencia de la API de Python
Puedes encontrar las APIs públicas de Model Maker en la API referencia.