มีโมเดลโอเพนซอร์สมากมายที่ผ่านการฝึกแล้ว ซึ่งคุณนำไปใช้กับ TensorFlow Lite ทันทีเพื่อทำงานด้านแมชชีนเลิร์นนิงได้มากมาย การใช้โมเดล TensorFlow Lite ก่อนการฝึกจะช่วยให้คุณเพิ่มฟังก์ชันของแมชชีนเลิร์นนิงลงในแอปพลิเคชันบนอุปกรณ์เคลื่อนที่และอุปกรณ์ Edge ได้อย่างรวดเร็วโดยไม่ต้องสร้างและฝึกโมเดล คู่มือนี้จะช่วยคุณค้นหาและตัดสินใจเลือกโมเดล ที่ผ่านการฝึกเพื่อใช้กับ TensorFlow Lite
คุณเริ่มเรียกดูโมเดลจำนวนมากใน Kaggle Models ได้
ค้นหาโมเดลสำหรับแอปพลิเคชันของคุณ
การค้นหาโมเดล TensorFlow Lite ที่มีอยู่สำหรับ Use Case ของคุณอาจเป็นเรื่องยาก ทั้งนี้ขึ้นอยู่กับสิ่งที่คุณต้องการทำให้สำเร็จ ต่อไปนี้เป็นวิธีที่แนะนำในการค้นพบโมเดล สำหรับใช้กับ TensorFlow Lite
ตัวอย่าง: วิธีที่เร็วที่สุดในการค้นหาและเริ่มใช้โมเดลกับ TensorFlow Lite คือการเรียกดูส่วนตัวอย่าง TensorFlow Lite เพื่อหาโมเดลที่ทำงานซึ่งคล้ายกับกรณีการใช้งานของคุณ แคตตาล็อกตัวอย่างสั้นๆ นี้มีโมเดลสำหรับกรณีการใช้งานทั่วไปพร้อมคำอธิบายโมเดลและโค้ดตัวอย่างเพื่อให้คุณเริ่มใช้งานและใช้งาน
ตามประเภทอินพุตข้อมูล: นอกจากการดูตัวอย่างที่คล้ายกับกรณีการใช้งานของคุณแล้ว อีกวิธีหนึ่งในการสำรวจโมเดลเพื่อการใช้งานของคุณเองคือการพิจารณาประเภทข้อมูลที่ต้องการประมวลผล เช่น เสียง ข้อความ รูปภาพ หรือข้อมูลวิดีโอ โมเดลแมชชีนเลิร์นนิงมักออกแบบมาให้ใช้ร่วมกับข้อมูลประเภทใดประเภทหนึ่ง ดังนั้นการมองหาโมเดลที่จัดการประเภทข้อมูลที่ต้องการใช้จะช่วยให้คุณจำกัดโมเดลที่ควรพิจารณาให้แคบลงได้
รายการต่อไปนี้แสดงลิงก์ไปยังโมเดล TensorFlow Lite ใน โมเดล Kaggle สำหรับกรณีการใช้งานทั่วไป
- โมเดลการจัดประเภทรูปภาพ
- โมเดลการตรวจจับออบเจ็กต์
- โมเดลการจัดประเภทข้อความ
- โมเดลการฝังข้อความ
- โมเดลการสังเคราะห์เสียง
- โมเดลการฝังเสียง
เลือกระหว่างรุ่นที่คล้ายกัน
หากแอปพลิเคชันของคุณเป็นไปตามกรณีการใช้งานทั่วไป เช่น การแยกประเภทรูปภาพหรือการตรวจจับวัตถุ คุณอาจพบว่าตัวเองกำลังเลือกโมเดล TensorFlow Lite หลายโมเดลซึ่งมีขนาดไบนารี ขนาดอินพุตข้อมูล ความเร็วในการอนุมาน และคะแนนความแม่นยำของการคาดการณ์ที่แตกต่างกัน เมื่อตัดสินใจเลือกโมเดลจำนวนหนึ่ง คุณควรจำกัดตัวเลือกให้แคบลงโดยพิจารณาจากข้อจำกัดที่มีมากที่สุดก่อน ได้แก่ ขนาดของโมเดล ขนาดของข้อมูล ความเร็วในการอนุมาน หรือความแม่นยำ
หากไม่แน่ใจว่าข้อจำกัดสูงสุดของคุณคืออะไร ให้สมมติว่าเป็นขนาดของโมเดลและเลือกโมเดลที่มีขนาดเล็กที่สุดที่มี การเลือกโมเดลขนาดเล็กช่วยให้คุณมีความยืดหยุ่นมากที่สุดในแง่ของอุปกรณ์ที่จะทำให้ใช้งานโมเดลและเรียกใช้โมเดลได้สำเร็จ โมเดลขนาดเล็กกว่ามักจะสร้างข้อมูลสรุปที่เร็วกว่า และการคาดการณ์ที่เร็วกว่าจะทำให้ผู้ใช้ปลายทางได้รับประสบการณ์ที่ดีกว่า โมเดลขนาดเล็กมักมีอัตราความแม่นยำต่ำ ดังนั้นคุณอาจต้องเลือกโมเดลขนาดใหญ่หากความแม่นยำในการคาดการณ์เป็นข้อกังวลหลัก
แหล่งที่มาของรูปแบบ
ใช้ส่วนตัวอย่าง TensorFlow Lite และโมเดล Kaggle เป็นปลายทางแรกในการค้นหาและเลือกโมเดลสำหรับใช้กับ TensorFlow Lite โดยทั่วไปแล้ว ซอร์สเหล่านี้จะมีโมเดลที่คัดสรรมาแล้วล่าสุดสำหรับใช้กับ TensorFlow Lite และมักมีโค้ดตัวอย่างเพื่อเร่งกระบวนการพัฒนา
โมเดล TensorFlow
คุณจะแปลงโมเดล TensorFlow ปกติเป็นรูปแบบ TensorFlow Lite ได้ ดูข้อมูลเพิ่มเติมเกี่ยวกับการแปลงโมเดลได้ที่เอกสารประกอบ TensorFlow Lite Converter คุณค้นหาโมเดล TensorFlow ได้ในโมเดล Kaggle และในโมเดล TensorFlow Garden