Présentation
La bibliothèque TensorFlow Lite Model Maker simplifie le processus d'entraînement d'un modèle TensorFlow Lite à l'aide d'un ensemble de données personnalisé. Il utilise l'apprentissage par transfert pour réduire la quantité de données d'entraînement requises et la durée de l'entraînement.
Tâches acceptées
La bibliothèque Model Maker est actuellement compatible avec les tâches de ML suivantes. Cliquez sur les liens ci-dessous pour obtenir des guides sur l'entraînement du modèle.
| Tâches acceptées | Utilité de la tâche |
|---|---|
| Classification d'images : tutoriel, API | Classer des images dans des catégories prédéfinies |
| Détection d'objets : tutoriel, API | Détectez des objets en temps réel. |
| Classification de texte : tutoriel, API | classer le texte dans des catégories prédéfinies. |
| Questions/Réponses avec BERT : tutoriel, API | Trouvez la réponse à une question donnée dans un contexte précis avec BERT. |
| Classification audio : tutoriel, API | classer l'audio dans des catégories prédéfinies. |
| Recommandation : demo, api | Recommandez des éléments en fonction des informations contextuelles pour le scénario sur l'appareil. |
| Requête : tutorial, api | Recherchez du texte ou une image similaires dans une base de données. |
Si vos tâches ne sont pas prises en charge, veuillez d'abord utiliser TensorFlow pour réentraîner un modèle TensorFlow avec l'apprentissage par transfert (en suivant des guides tels que images, texte, audio) ou l'entraîner à partir de zéro, puis le convertir en modèle TensorFlow Lite.
Exemple de bout en bout
Model Maker vous permet d'entraîner un modèle TensorFlow Lite à l'aide d'ensembles de données personnalisés en quelques lignes de code seulement. Par exemple, voici les étapes à suivre pour entraîner un modèle de classification d'images.
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/')
Pour en savoir plus, consultez le guide sur la classification d'images.
Installation
Il existe deux façons d'installer Model Maker.
- Installez un package pip prédéfini.
pip install tflite-model-maker
Si vous souhaitez installer la version Nightly, veuillez suivre la commande :
pip install tflite-model-maker-nightly
- Clonez le code source depuis GitHub et installez-le.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker dépend du package pip TensorFlow. Pour les pilotes de GPU, veuillez consulter le guide sur les GPU ou le guide d'installation de TensorFlow.
Documentation de référence sur l'API Python
Vous trouverez les API publiques de Model Maker dans la documentation de référence de l'API.