Panoramica
La libreria TensorFlow Lite Model Maker semplifica il processo di addestramento di un Modello TensorFlow Lite utilizzando un set di dati personalizzato. Usa il Transfer Learning per ridurre la quantità di dati di addestramento richiesti e di accorciare i tempi di addestramento.
Attività supportate
La libreria di Model Maker attualmente supporta le seguenti attività di ML. Fai clic sull' di seguito per consultare le guide su come addestrare il modello.
| Attività supportate | Utilità attività |
|---|---|
| Classificazione delle immagini: tutorial, api | Classifica le immagini in categorie predefinite. |
| Rilevamento di oggetti: tutorial, api | Rileva oggetti in tempo reale. |
| Classificazione del testo: tutorial, api | Classifica il testo in categorie predefinite. |
| Risposta alla domanda BERT: tutorial, api | Trova la risposta a una determinata domanda in un determinato contesto con BERT. |
| Classificazione audio: tutorial, api | Classificare l'audio in categorie predefinite. |
| Suggerimento: demo, api | Consiglia gli articoli in base alle informazioni contestuali per lo scenario on-device. |
| Cercatore: tutorial, api | Cerca testo o immagini simili in un database. |
Se le tue attività non sono supportate, utilizza prima TensorFlow per riaddestrare un modello TensorFlow con Transfer Learning (queste guide come immagini, testo, audio) o addestrarlo da zero e convertirlo in TensorFlow modello Lite.
Esempio end-to-end
Model Maker consente di addestrare un modello TensorFlow Lite utilizzando set di dati personalizzati in con poche righe di codice. Ad esempio, ecco i passaggi per addestrare un'immagine modello di classificazione.
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/')
Per ulteriori dettagli, consulta la guida alla classificazione delle immagini.
Installazione
Esistono due modi per installare Model Maker.
- Installare un pacchetto pip predefinito.
pip install tflite-model-maker
Se vuoi installare la versione notturna, segui questo comando:
pip install tflite-model-maker-nightly
- Clona il codice sorgente da GitHub e installalo.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
Il generatore di modelli TensorFlow Lite dipende da pip TensorFlow pacchetto. Per i driver GPU, fai riferimento consulta la guida alle GPU di TensorFlow guida all'installazione.
Riferimento API Python
Puoi trovare le API pubbliche di Model Maker in API riferimento.