نمای کلی
کتابخانه TensorFlow Lite Model Maker فرآیند آموزش یک مدل TensorFlow Lite را با استفاده از مجموعه دادههای سفارشی ساده میکند. این کتابخانه از یادگیری انتقالی برای کاهش میزان دادههای آموزشی مورد نیاز و کوتاه کردن زمان آموزش استفاده میکند.
وظایف پشتیبانی شده
کتابخانه Model Maker در حال حاضر از وظایف یادگیری ماشینی زیر پشتیبانی میکند. برای راهنمایی در مورد نحوه آموزش مدل، روی لینکهای زیر کلیک کنید.
| وظایف پشتیبانی شده | ابزار وظیفه |
|---|---|
| دستهبندی تصویر: آموزش ، API | تصاویر را در دستههای از پیش تعریفشده دستهبندی کنید. |
| تشخیص شیء: آموزش ، API | اشیاء را در زمان واقعی تشخیص دهید. |
| دستهبندی متن: آموزش ، API | متن را در دستههای از پیش تعریفشده طبقهبندی کنید. |
| پاسخ سوال BERT: آموزش ، API | با BERT، پاسخ یک سوال مشخص را در یک زمینه خاص پیدا کنید. |
| دستهبندی صوتی: آموزش ، API | طبقهبندی صدا در دستههای از پیش تعریفشده |
| توصیه: نسخه آزمایشی ، API | موارد را بر اساس اطلاعات زمینهای برای سناریوی روی دستگاه پیشنهاد دهید. |
| جستجوگر: آموزش ، API | جستجوی متن یا تصویر مشابه در یک پایگاه داده. |
اگر وظایف شما پشتیبانی نمیشوند، لطفاً ابتدا از TensorFlow برای آموزش مجدد یک مدل TensorFlow با استفاده از یادگیری انتقالی (با پیروی از راهنماهایی مانند تصاویر ، متن ، صدا ) استفاده کنید یا آن را از ابتدا آموزش دهید و سپس آن را به یک مدل TensorFlow Lite تبدیل کنید .
مثال از ابتدا تا انتها
Model Maker به شما امکان میدهد یک مدل TensorFlow Lite را با استفاده از مجموعه دادههای سفارشی، تنها در چند خط کد آموزش دهید. برای مثال، در اینجا مراحل آموزش یک مدل طبقهبندی تصویر آمده است.
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/')
برای جزئیات بیشتر، به راهنمای طبقهبندی تصویر مراجعه کنید.
نصب
دو روش برای نصب Model Maker وجود دارد.
- یک بستهی از پیش ساخته شدهی pip نصب کنید.
pip install tflite-model-maker
اگر میخواهید نسخه شبانه را نصب کنید، لطفاً دستور زیر را دنبال کنید:
pip install tflite-model-maker-nightly
- کد منبع را از گیتهاب کپی کرده و نصب کنید.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker به بسته TensorFlow pip وابسته است. برای درایورهای GPU، لطفاً به راهنمای GPU یا راهنمای نصب TensorFlow مراجعه کنید.
مرجع API پایتون
میتوانید APIهای عمومی Model Maker را در مرجع API پیدا کنید.