TensorFlow Lite 模型制作工具

概览

TensorFlow Lite Model Maker 库简化了训练 使用自定义数据集的 TensorFlow Lite 模型。该方法使用迁移学习来减少 减少所需的训练数据量并缩短训练时间。

支持的任务

Model Maker 库目前支持以下机器学习任务。点击 有关如何训练模型的指南。

支持的任务 任务实用程序
图片分类：教程、api 将图像分类为预定义的类别。
对象检测：教程、api 实时检测物体。
文本分类：教程、api 将文本分类为预定义的类别。
BERT 问答：教程、api 使用 BERT 在特定上下文中查找给定问题的答案。
音频分类：教程、api 将音频归入预定义的类别。
建议：demo、api 根据设备端场景中的上下文信息推荐项。
搜索器：教程、api 在数据库中搜索相似的文本或图片。

如果您的任务不受支持，请先使用 TensorFlow：用于重新训练 TensorFlow 模型 （遵循迁移学习等指南， 图片、 text、 audio）或 从头开始训练该模型，然后将其转换为 TensorFlow Lite 模型。

端到端示例

借助 Model Maker，你可以使用 只需几行代码即可。例如，使用下面的步骤 分类模型。

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/')

如需了解详情，请参阅图片分类指南。

安装

安装 Model Maker 的方法有两种。

  • 安装预构建的 pip 软件包。
pip install tflite-model-maker

如果您想安装每夜版，请使用以下命令：

pip install tflite-model-maker-nightly
  • 从 GitHub 克隆源代码并安装。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker 依赖于 TensorFlow pip 软件包。如需了解 GPU 驱动程序，请参阅 TensorFlow 的 GPU 指南或 安装指南。

Python API 参考

您可以在 API 参考。