概览
TensorFlow Lite Model Maker 库简化了训练 使用自定义数据集的 TensorFlow Lite 模型。该方法使用迁移学习来减少 减少所需的训练数据量并缩短训练时间。
支持的任务
Model Maker 库目前支持以下机器学习任务。点击 有关如何训练模型的指南。
| 支持的任务 | 任务实用程序 |
|---|---|
| 图片分类：教程、api | 将图像分类为预定义的类别。 |
| 对象检测：教程、api | 实时检测物体。 |
| 文本分类：教程、api | 将文本分类为预定义的类别。 |
| BERT 问答：教程、api | 使用 BERT 在特定上下文中查找给定问题的答案。 |
| 音频分类：教程、api | 将音频归入预定义的类别。 |
| 建议：demo、api | 根据设备端场景中的上下文信息推荐项。 |
| 搜索器：教程、api | 在数据库中搜索相似的文本或图片。 |
如果您的任务不受支持，请先使用 TensorFlow：用于重新训练 TensorFlow 模型 （遵循迁移学习等指南， 图片、 text、 audio）或 从头开始训练该模型，然后将其转换为 TensorFlow Lite 模型。
端到端示例
借助 Model Maker，你可以使用 只需几行代码即可。例如，使用下面的步骤 分类模型。
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/')
如需了解详情，请参阅图片分类指南。
安装
安装 Model Maker 的方法有两种。
- 安装预构建的 pip 软件包。
pip install tflite-model-maker
如果您想安装每夜版，请使用以下命令：
pip install tflite-model-maker-nightly
- 从 GitHub 克隆源代码并安装。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker 依赖于 TensorFlow pip 软件包。如需了解 GPU 驱动程序，请参阅 TensorFlow 的 GPU 指南或 安装指南。
Python API 参考
您可以在 API 参考。