مدل های از پیش آموزش دیده برای TensorFlow Lite

انواع مختلفی از مدل‌های منبع باز آموزش دیده وجود دارد که می‌توانید بلافاصله با TensorFlow Lite برای انجام بسیاری از وظایف یادگیری ماشین استفاده کنید. استفاده از مدل های از پیش آموزش دیده TensorFlow Lite به شما امکان می دهد بدون نیاز به ساخت و آموزش مدل، عملکرد یادگیری ماشین را به سرعت به برنامه موبایل و دستگاه لبه خود اضافه کنید. این راهنما به شما کمک می کند مدل های آموزش دیده را برای استفاده با TensorFlow Lite پیدا کنید و در مورد آنها تصمیم بگیرید.

می توانید مرور مجموعه بزرگی از مدل ها را در Kaggle Models شروع کنید.

یک مدل برای برنامه خود پیدا کنید

یافتن یک مدل TensorFlow Lite موجود برای مورد استفاده شما بسته به آنچه می‌خواهید انجام دهید می‌تواند دشوار باشد. در اینجا چند روش توصیه شده برای کشف مدل هایی برای استفاده با TensorFlow Lite آورده شده است:

به عنوان مثال: سریع‌ترین راه برای یافتن و شروع استفاده از مدل‌ها با TensorFlow Lite، مرور بخش TensorFlow Lite Examples برای یافتن مدل‌هایی است که کار مشابه مورد استفاده شما را انجام می‌دهند. این کاتالوگ کوتاه از نمونه‌ها، مدل‌هایی را برای موارد استفاده متداول با توضیحاتی در مورد مدل‌ها و کد نمونه ارائه می‌کند تا شما را شروع به اجرا و استفاده از آنها کند.

بر اساس نوع ورودی داده: جدای از نگاه کردن به نمونه‌های مشابه مورد استفاده شما، راه دیگری برای کشف مدل‌های مورد استفاده خود این است که نوع داده‌ای را که می‌خواهید پردازش کنید، مانند داده‌های صوتی، نوشتاری، تصویری یا ویدیویی در نظر بگیرید. مدل‌های یادگیری ماشین اغلب برای استفاده با یکی از این نوع داده‌ها طراحی می‌شوند، بنابراین جستجوی مدل‌هایی که نوع داده‌ای را که می‌خواهید استفاده کنید، می‌تواند به شما کمک کند مدل‌هایی را که باید در نظر بگیرید محدود کنید.

لیست زیر پیوندهایی به مدل‌های TensorFlow Lite در Kaggle Models برای موارد استفاده رایج را فهرست می‌کند:

• مدل های طبقه بندی تصاویر
• مدل های تشخیص اشیا
• مدل های طبقه بندی متن
• مدل های جاسازی متن
• مدل های سنتز گفتار صوتی
• مدل های تعبیه صدا

از بین مدل های مشابه یکی را انتخاب کنید

اگر برنامه شما از یک مورد معمول مانند طبقه بندی تصویر یا تشخیص اشیا پیروی می کند، ممکن است بین چندین مدل TensorFlow Lite با اندازه باینری، اندازه ورودی داده، سرعت استنتاج و رتبه بندی دقت پیش بینی متفاوت تصمیم گیری کنید. هنگام تصمیم گیری بین تعدادی از مدل ها، ابتدا باید گزینه های خود را بر اساس محدودترین محدودیت خود محدود کنید: اندازه مدل، اندازه داده، سرعت استنتاج یا دقت.

اگر مطمئن نیستید محدودترین محدودیت شما چیست، فرض کنید اندازه مدل است و کوچکترین مدل موجود را انتخاب کنید. انتخاب یک مدل کوچک به شما بیشترین انعطاف را از نظر دستگاه هایی می دهد که می توانید با موفقیت مدل را استقرار و اجرا کنید. مدل‌های کوچک‌تر نیز معمولاً استنباط‌های سریع‌تری تولید می‌کنند و پیش‌بینی‌های سریع‌تر معمولاً تجربیات کاربر نهایی بهتری ایجاد می‌کنند. مدل‌های کوچک‌تر معمولاً نرخ‌های دقت پایین‌تری دارند، بنابراین اگر دقت پیش‌بینی دغدغه اصلی شما باشد، ممکن است لازم باشد مدل‌های بزرگ‌تری را انتخاب کنید.

منابع برای مدل ها

از بخش TensorFlow Lite Examples و Kaggle Models به عنوان اولین مقصد خود برای یافتن و انتخاب مدل هایی برای استفاده با TensorFlow Lite استفاده کنید. این منابع معمولاً دارای مدل‌های به‌روز و انتخاب‌شده برای استفاده با TensorFlow Lite هستند و معمولاً کد نمونه‌ای را برای تسریع روند توسعه شما درج می‌کنند.

مدل های تنسورفلو

امکان تبدیل مدل های معمولی تنسورفلو به فرمت تنسورفلو لایت وجود دارد. برای اطلاعات بیشتر در مورد تبدیل مدل ها، به مستندات تبدیل TensorFlow Lite مراجعه کنید. می‌توانید مدل‌های تنسورفلو را در مدل‌های Kaggle و در باغ مدل تنسورفلو پیدا کنید.