Présentation
La bibliothèque TensorFlow Lite Model Maker simplifie le processus d'entraînement Modèle TensorFlow Lite utilisant un ensemble de données personnalisé Il utilise l'apprentissage par transfert pour réduire la quantité de données d'entraînement requise et raccourcir la durée d'entraînement.
Tâches compatibles
La bibliothèque Model Maker accepte actuellement les tâches de ML ci-dessous. Cliquez sur l'icône cliquez sur les liens ci-dessous pour découvrir comment entraîner le modèle.
| Tâches compatibles | Utilitaire de tâche |
|---|---|
| Classification d'images: tutoriel, api | classer des images dans des catégories prédéfinies ; |
| Détection d'objets: tutoriel, api | Détectez des objets en temps réel. |
| Classification de texte: tutoriel, api | classer le texte dans des catégories prédéfinies ; |
| Réponse aux questions avec BERT: tutorial, api | Avec BERT, trouvez la réponse à une question donnée dans un contexte donné. |
| Classification audio: tutoriel, api | Classer des contenus audio dans des catégories prédéfinies |
| Recommandation: demo, api | Recommandez des éléments en fonction des informations contextuelles pour un scénario sur l'appareil. |
| Recherche: tutorial, api | Recherchez un texte ou une image similaire dans une base de données. |
Si vos tâches ne sont pas prises en charge, veuillez d'abord utiliser TensorFlow pour réentraîner un modèle TensorFlow grâce à l'apprentissage par transfert (les guides suivants images texte, audio) ou l'entraîner à partir de zéro, puis la convertir en TensorFlow Modèle Lite.
Exemple de bout en bout
Model Maker vous permet d'entraîner un modèle TensorFlow Lite à l'aide d'ensembles de données personnalisés dans que quelques lignes de code. Par exemple, voici les étapes à suivre pour entraîner une image modèle de classification.
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/')
Pour en savoir plus, consultez le guide de classification d'images.
Installation
Il existe deux façons d'installer Model Maker.
- Installez un package pip prédéfini.
pip install tflite-model-maker
Si vous souhaitez installer la version nocturne, veuillez exécuter la commande suivante:
pip install tflite-model-maker-nightly
- Clonez le code source depuis GitHub et installez-le.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker dépend de TensorFlow pip package. Pour les pilotes de GPU, veuillez consulter consultez le guide sur les GPU de TensorFlow, ou guide d'installation.
Documentation de référence sur l'API Python
Les API publiques de Model Maker sont disponibles dans la section API référence.