مدلهای متنباز آموزشدیدهی متنوعی وجود دارند که میتوانید بلافاصله با LiteRT برای انجام بسیاری از وظایف یادگیری ماشین از آنها استفاده کنید. استفاده از مدلهای از پیش آموزشدیدهی LiteRT به شما امکان میدهد تا بدون نیاز به ساخت و آموزش مدل، به سرعت قابلیتهای یادگیری ماشین را به برنامهی موبایل و دستگاههای لبهای خود اضافه کنید. این راهنما به شما کمک میکند تا مدلهای آموزشدیده را برای استفاده با LiteRT پیدا کرده و در مورد آنها تصمیمگیری کنید.
میتوانید در Kaggle Models به دنبال مجموعهای بزرگ از مدلها بگردید.
یک مدل برای برنامه خود پیدا کنید
پیدا کردن یک مدل LiteRT موجود برای مورد استفاده شما، بسته به آنچه که میخواهید انجام دهید، میتواند دشوار باشد. در اینجا چند روش توصیه شده برای کشف مدلها برای استفاده با LiteRT ارائه شده است:
به عنوان مثال: سریعترین راه برای پیدا کردن و شروع استفاده از مدلها با TensorFlow Lite، مرور بخش مثالهای LiteRT برای یافتن مدلهایی است که کاری مشابه مورد استفاده شما انجام میدهند. این فهرست کوتاه از مثالها، مدلهایی را برای موارد استفاده رایج به همراه توضیحات مدلها و کد نمونه ارائه میدهد تا بتوانید اجرا و استفاده از آنها را شروع کنید.
بر اساس نوع ورودی داده: گذشته از بررسی مثالهای مشابه مورد استفاده شما، راه دیگر برای کشف مدلها برای استفاده خودتان، در نظر گرفتن نوع دادهای است که میخواهید پردازش کنید، مانند دادههای صوتی، متنی، تصویری یا ویدیویی. 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، مدیریت میکنند، میتواند به شما در محدود کردن مدلهایی که باید در نظر بگیرید، کمک کند.
لیست زیر لینکهایی به مدلهای LiteRT در Kaggle Models برای موارد استفاده رایج ارائه میدهد:
- مدلهای طبقهبندی تصویر
- مدلهای تشخیص شیء
- مدلهای طبقهبندی متن
- مدلهای جاسازی متن
- مدلهای سنتز گفتار صوتی
- مدلهای جاسازی صدا
انتخاب بین مدلهای مشابه
اگر برنامه شما از یک مورد استفاده رایج مانند طبقهبندی تصویر یا تشخیص شیء پیروی میکند، ممکن است مجبور شوید بین چندین مدل TensorFlow Lite با اندازه دودویی، اندازه ورودی داده، سرعت استنتاج و رتبهبندی دقت پیشبینی متفاوت، یکی را انتخاب کنید. هنگام تصمیمگیری بین تعدادی مدل، باید گزینههای خود را ابتدا بر اساس محدودکنندهترین محدودیت خود محدود کنید: اندازه مدل، اندازه دادهها، سرعت استنتاج یا دقت.
اگر مطمئن نیستید که محدودکنندهترین محدودیت شما چیست، فرض کنید که اندازه مدل است و کوچکترین مدل موجود را انتخاب کنید. انتخاب یک مدل کوچک، بیشترین انعطافپذیری را از نظر دستگاههایی که میتوانید مدل را با موفقیت در آنها مستقر و اجرا کنید، به شما میدهد. مدلهای کوچکتر معمولاً استنتاجهای سریعتری نیز تولید میکنند و پیشبینیهای سریعتر عموماً تجربیات بهتری را برای کاربر نهایی ایجاد میکنند. مدلهای کوچکتر معمولاً نرخ دقت پایینتری دارند، بنابراین اگر دقت پیشبینی دغدغه اصلی شماست، ممکن است لازم باشد مدلهای بزرگتری را انتخاب کنید.
منابع مدلها
از بخش مثالهای LiteRT و مدلهای Kaggle به عنوان اولین مقاصد خود برای یافتن و انتخاب مدلها برای استفاده با TensorFlow Lite استفاده کنید. این منابع عموماً مدلهای بهروز و منتخبی برای استفاده با LiteRT دارند و اغلب شامل کد نمونه برای تسریع روند توسعه شما هستند.
مدلهای تنسورفلو
تبدیل مدلهای معمولی TensorFlow به فرمت TensorFlow Lite امکانپذیر است. برای اطلاعات بیشتر در مورد تبدیل مدلها، به مستندات TensorFlow Lite Converter مراجعه کنید. میتوانید مدلهای TensorFlow را در Kaggle Models و در TensorFlow Model Garden پیدا کنید.