概要
TensorFlow Lite Model Maker ライブラリを使用すると、カスタム データセットを使用して TensorFlow Lite モデルをトレーニングするプロセスを簡素化できます。転移学習を使用して、必要なトレーニング データの量を減らし、トレーニング時間を短縮します。
サポートされているタスク
現在、Model Maker ライブラリは次の ML タスクをサポートしています。モデルのトレーニング方法については、以下のリンクをクリックしてガイドをご覧ください。
| サポートされているタスク | Task Utility |
|---|---|
| 画像分類: チュートリアル、API | 画像を事前定義されたカテゴリに分類します。 |
| オブジェクト検出: チュートリアル、API | オブジェクトをリアルタイムで検出します。 |
| テキスト分類: チュートリアル、API | テキストを事前定義されたカテゴリに分類する。 |
| BERT 質疑応答: チュートリアル、API | BERT を使用して、特定のコンテキストで特定の質問に対する回答を見つけます。 |
| 音声分類: チュートリアル、API | 音声を事前定義されたカテゴリに分類します。 |
| 推奨事項: demo、api | オンデバイス シナリオのコンテキスト情報に基づいてアイテムを推奨します。 |
| 検索語句: tutorial、api | データベースで類似したテキストまたは画像を検索します。 |
タスクがサポートされていない場合は、まず TensorFlow を使用して、転移学習で TensorFlow モデルを再トレーニング（画像、テキスト、音声などのガイドに沿って）するか、ゼロからトレーニングしてから、TensorFlow Lite モデルに変換します。
エンドツーエンドの例
Model Maker を使用すると、わずか数行のコードでカスタム データセットを使用して TensorFlow Lite モデルをトレーニングできます。たとえば、画像分類モデルをトレーニングする手順は次のとおりです。
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/')
詳細については、画像分類ガイドをご覧ください。
インストール
Model Maker をインストールする方法は 2 つあります。
- ビルド済みの pip パッケージをインストールします。
pip install tflite-model-maker
ナイトリー バージョンをインストールする場合は、次のコマンドを実行してください。
pip install tflite-model-maker-nightly
- GitHub からソースコードのクローンを作成してインストールします。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker は TensorFlow pip パッケージに依存しています。GPU ドライバについては、TensorFlow の GPU ガイドまたはインストール ガイドを参照してください。
Python API リファレンス
Model Maker の公開 API については、API リファレンスをご覧ください。