Ringkasan
Library TensorFlow Lite Model Maker menyederhanakan proses pelatihan Model TensorFlow Lite menggunakan set data kustom. Model ini menggunakan pemelajaran transfer untuk mengurangi jumlah data pelatihan yang dibutuhkan dan mempersingkat waktu pelatihan.
Tugas yang Didukung
Library Model Maker saat ini mendukung tugas ML berikut. Klik di bawah ini untuk panduan cara melatih model.
Tugas yang Didukung | Utilitas Tugas |
---|---|
Klasifikasi Gambar: tutorial, api | Mengklasifikasikan gambar ke dalam kategori yang telah ditentukan. |
Deteksi Objek: tutorial, api | Mendeteksi objek secara real time. |
Klasifikasi Teks: tutorial, api | Mengklasifikasikan teks ke dalam kategori yang telah ditentukan. |
Jawaban Pertanyaan BERT: tutorial, api | Temukan jawaban dalam konteks tertentu untuk pertanyaan tertentu dengan BERT. |
Klasifikasi Audio: tutorial, api | Klasifikasikan audio ke dalam kategori yang telah ditentukan. |
Rekomendasi: demo, api | Merekomendasikan item berdasarkan informasi konteks untuk skenario di perangkat. |
Penelusur: tutorial, api | Menelusuri teks atau gambar yang mirip dalam database. |
Jika tugas Anda tidak didukung, gunakan terlebih dahulu TensorFlow untuk melatih kembali model TensorFlow dengan pemelajaran transfer (dengan mengikuti panduan seperti gambar, teks, audio) atau latih dari awal, lalu konversikan ke TensorFlow model ringan.
Contoh End-to-End
Model Maker memungkinkan Anda melatih model TensorFlow Lite menggunakan set data kustom di hanya dengan beberapa baris kode. Misalnya, berikut langkah-langkah untuk melatih gambar model klasifikasi.
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/')
Untuk mengetahui detail selengkapnya, lihat panduan klasifikasi gambar.
Penginstalan
Ada dua cara untuk menginstal Model Maker.
- Menginstal paket pip bawaan.
pip install tflite-model-maker
Jika Anda ingin menginstal versi malam, ikuti perintah:
pip install tflite-model-maker-nightly
- Clone kode sumber dari GitHub dan instal.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker bergantung pada TensorFlow pip paket Google. Untuk driver GPU, lihat ke panduan GPU TensorFlow atau panduan penginstalan.
Referensi Python API
Anda dapat mengetahui API publik Model Maker di API .