Omówienie
Biblioteka TensorFlow Lite Model Maker upraszcza proces trenowania Model TensorFlow Lite z użyciem niestandardowego zbioru danych. Wykorzystuje uczenie się transferowe, aby zmniejszyć potrzebnych danych treningowych i skrócić czas trenowania.
Obsługiwane zadania
Biblioteka Kreatora modeli obsługuje obecnie poniższe zadania ML. Kliknij poniżej znajdziesz przewodniki dotyczące trenowania modelu.
| Obsługiwane zadania | Narzędzie do tworzenia zadań |
|---|---|
| Klasyfikacja obrazów: tutorial, api | Podziel obrazy na wstępnie zdefiniowane kategorie. |
| Wykrywanie obiektów: samouczek, api | Wykrywaj obiekty w czasie rzeczywistym. |
| Klasyfikacja tekstu: tutorial, api | Podział tekstu na wstępnie zdefiniowane kategorie. |
| Odpowiedź na pytanie BERT: samouczek, api | Znajdź odpowiedź na dane pytanie w konkretnym kontekście dzięki algorytmowi BERT. |
| Klasyfikacja dźwięku: tutorial, api | Klasyfikowanie dźwięku według zdefiniowanych wstępnie kategorii. |
| Zalecenia: demonstracja, api | Polecaj elementy na podstawie informacji kontekstowych dotyczących sytuacji na urządzeniu. |
| Wyszukiwanie: tutorial, api | Wyszukaj podobny tekst lub obraz w bazie danych. |
Jeśli Twoje zadania nie są obsługiwane, najpierw użyj funkcji TensorFlow – ponowne trenowanie modelu TensorFlow z nauką transferu (poniższe przewodniki, obrazy, text, audio) lub wytrenuj go od zera, a następnie przekonwertuj na TensorFlow Model Lite.
Kompleksowy przykład
Kreator modeli umożliwia wytrenowanie modelu TensorFlow Lite z użyciem niestandardowych zbiorów danych w za pomocą kilku linijek kodu. Oto kroki, które pozwalają wytrenować obraz modelu klasyfikacji.
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/')
Więcej informacji znajdziesz w przewodniku po klasyfikacji obrazów.
Instalacja
Są dwa sposoby instalacji Kreatora modeli.
- Zainstaluj gotowy pakiet pip.
pip install tflite-model-maker
Jeśli chcesz zainstalować wersję nocną, użyj polecenia:
pip install tflite-model-maker-nightly
- Skopiuj i zainstaluj kod źródłowy z GitHub.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
Kreator modeli TensorFlow Lite korzysta z TensorFlow pip . W przypadku sterowników GPU zapoznaj się z artykułem w przewodniku po GPU TensorFlow lub przewodnika instalacji.
Dokumentacja interfejsu Python API
Publiczne interfejsy API Kreatora modeli znajdziesz w sekcji API odniesienie.