Panoramica
La libreria TensorFlow Lite Model Maker semplifica il processo di addestramento di un modello TensorFlow Lite utilizzando un set di dati personalizzato. Utilizza il transfer learning per ridurre la quantità di dati di addestramento necessari e abbreviare il tempo di addestramento.
Attività supportate
La libreria Model Maker attualmente supporta le seguenti attività di ML. Fai clic sui link riportati di seguito per visualizzare le guide su come addestrare il modello.
| Attività supportate | Task Utility |
|---|---|
| Classificazione delle immagini: tutorial, API | Classifica le immagini in categorie predefinite. |
| Rilevamento di oggetti: tutorial, API | Rileva gli oggetti in tempo reale. |
| Classificazione del testo: tutorial, API | Classifica il testo in categorie predefinite. |
| BERT Question Answer: tutorial, api | Trova la risposta in un determinato contesto per una determinata domanda con BERT. |
| Classificazione audio: tutorial, API | Classifica l'audio in categorie predefinite. |
| Suggerimento: demo, api | Consiglia elementi in base alle informazioni contestuali per lo scenario sul dispositivo. |
| Searcher: tutorial, api | Cerca testo o immagini simili in un database. |
Se le tue attività non sono supportate, utilizza prima TensorFlow per eseguire il retraining di un modello TensorFlow con il transfer learning (seguendo guide come immagini, testo, audio) o addestralo da zero, quindi convertilo in un modello TensorFlow Lite.
Esempio end-to-end
Model Maker ti consente di addestrare un modello TensorFlow Lite utilizzando set di dati personalizzati in poche righe di codice. Ad esempio, ecco i passaggi per addestrare un modello di classificazione delle immagini.
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 maggiori dettagli, consulta la guida alla classificazione delle immagini.
Installazione
Esistono due modi per installare Model Maker.
- Installa un pacchetto pip precompilato.
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 .
TensorFlow Lite Model Maker dipende dal pacchetto pip TensorFlow. Per i driver GPU, consulta la guida alla GPU o la guida all'installazione di TensorFlow.
Riferimento API Python
Puoi trovare le API pubbliche di Model Maker in API reference.