總覽
TensorFlow Lite Model Maker 程式庫可簡化使用自訂資料集訓練 TensorFlow Lite 模型的方法。這項技術會運用遷移學習，減少所需的訓練資料量並縮短訓練時間。
支援的任務
Model Maker 程式庫目前支援下列機器學習工作。點選下方連結，參閱模型訓練指南。
| 支援的任務 | 工作實用工具 |
|---|---|
| 圖片分類：教學課程、API | 將圖片分類到預先定義的類別。 |
| 物件偵測：教學課程、API | 即時偵測物體。 |
| 文字分類：教學課程、API | 將文字分類到預先定義的類別。 |
| BERT 問題回答：教學課程、API | 使用 BERT 找出特定問題在特定情境下的答案。 |
| 音訊分類：教學課程、API | 將音訊分類到預先定義的類別。 |
| 建議：demo、api | 根據裝置端情境的內容資訊推薦項目。 |
| 搜尋者：教學課程、API | 在資料庫中搜尋類似文字或圖片。 |
如果系統不支援您的工作，請先使用 TensorFlow，透過遷移學習重新訓練 TensorFlow 模型 (請參閱圖片、文字、音訊等指南)，或從頭訓練模型，然後轉換為 TensorFlow Lite 模型。
端對端範例
您只要編寫幾行程式碼，就能使用 Model Maker 搭配自訂資料集訓練 TensorFlow Lite 模型。舉例來說，以下是訓練圖片分類模型的步驟。
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/')
詳情請參閱圖片分類指南。
安裝
安裝 Model Maker 的方法有兩種。
- 安裝預先建構的 pip 套件。
pip install tflite-model-maker
如要安裝夜間版本，請執行下列指令：
pip install tflite-model-maker-nightly
- 從 GitHub 複製原始碼並安裝。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker 依附於 TensorFlow pip 套件。如需 GPU 驅動程式，請參閱 TensorFlow 的 GPU 指南或安裝指南。
Python API 參考資料
如要瞭解 Model Maker 的公開 API，請參閱 API 參考資料。