LiterRT-এর সাথে তাৎক্ষণিকভাবে অনেক প্রশিক্ষিত, ওপেন সোর্স মডেল ব্যবহার করে আপনি অনেক মেশিন লার্নিং কাজ সম্পন্ন করতে পারেন। প্রাক-প্রশিক্ষিত LiterRT মডেল ব্যবহার করে আপনি আপনার মোবাইল এবং এজ ডিভাইস অ্যাপ্লিকেশনে দ্রুত মেশিন লার্নিং কার্যকারিতা যুক্ত করতে পারবেন, কোনও মডেল তৈরি এবং প্রশিক্ষণ না দিয়েই। এই নির্দেশিকা আপনাকে LiterRT-এর সাথে ব্যবহারের জন্য প্রশিক্ষিত মডেলগুলি খুঁজে পেতে এবং সিদ্ধান্ত নিতে সহায়তা করবে।
আপনি Kaggle Models- এ মডেলের একটি বড় সেট ব্রাউজ করা শুরু করতে পারেন।
আপনার অ্যাপ্লিকেশনের জন্য একটি মডেল খুঁজুন
আপনার ব্যবহারের ক্ষেত্রে একটি বিদ্যমান LiterRT মডেল খুঁজে বের করা আপনার অর্জনের চেষ্টার উপর নির্ভর করে জটিল হতে পারে। LiterRT এর সাথে ব্যবহারের জন্য মডেলগুলি আবিষ্কার করার জন্য এখানে কয়েকটি প্রস্তাবিত উপায় রয়েছে:
উদাহরণের মাধ্যমে: TensorFlow Lite-এর মাধ্যমে মডেলগুলি খুঁজে বের করার এবং ব্যবহার শুরু করার দ্রুততম উপায় হল LiteRT Examples বিভাগটি ব্রাউজ করে এমন মডেলগুলি খুঁজে বের করা যা আপনার ব্যবহারের ক্ষেত্রে অনুরূপ কাজ সম্পাদন করে। উদাহরণের এই সংক্ষিপ্ত ক্যাটালগটি সাধারণ ব্যবহারের ক্ষেত্রে মডেলগুলি মডেলগুলির ব্যাখ্যা এবং নমুনা কোড সহ প্রদান করে যাতে আপনি সেগুলি চালানো এবং ব্যবহার শুরু করতে পারেন।
ডেটা ইনপুট টাইপ অনুসারে: আপনার ব্যবহারের ক্ষেত্রে অনুরূপ উদাহরণগুলি দেখার পাশাপাশি, আপনার নিজস্ব ব্যবহারের জন্য মডেলগুলি আবিষ্কার করার আরেকটি উপায় হল আপনি যে ধরণের ডেটা প্রক্রিয়া করতে চান তা বিবেচনা করা, যেমন অডিও, টেক্সট, ছবি বা ভিডিও ডেটা। মেশিন লার্নিং মডেলগুলি প্রায়শই এই ধরণের ডেটার সাথে ব্যবহারের জন্য ডিজাইন করা হয়, তাই আপনি যে ডেটা টাইপটি ব্যবহার করতে চান তা পরিচালনা করে এমন মডেলগুলি সন্ধান করলে আপনি কোন মডেলগুলি বিবেচনা করবেন তা সংকুচিত করতে সহায়তা করতে পারে।
সাধারণ ব্যবহারের ক্ষেত্রে Kaggle মডেলগুলিতে LiterRT মডেলগুলির লিঙ্কগুলি নিম্নলিখিত তালিকাভুক্ত করা হয়েছে:
- চিত্র শ্রেণীবিভাগ মডেল
- বস্তু সনাক্তকরণ মডেল
- টেক্সট শ্রেণীবিভাগ মডেল
- টেক্সট এম্বেডিং মডেল
- অডিও স্পিচ সংশ্লেষণ মডেল
- অডিও এম্বেডিং মডেল
অনুরূপ মডেলগুলির মধ্যে বেছে নিন
যদি আপনার অ্যাপ্লিকেশনটি চিত্রের শ্রেণিবিন্যাস বা বস্তু সনাক্তকরণের মতো সাধারণ ব্যবহারের ক্ষেত্রে অনুসরণ করে, তাহলে আপনি একাধিক টেনসরফ্লো লাইট মডেলের মধ্যে নির্বাচন করতে পারেন, যার মধ্যে বিভিন্ন বাইনারি আকার, ডেটা ইনপুট আকার, অনুমানের গতি এবং ভবিষ্যদ্বাণীর নির্ভুলতা রেটিং রয়েছে। একাধিক মডেলের মধ্যে সিদ্ধান্ত নেওয়ার সময়, আপনার সবচেয়ে সীমিত সীমাবদ্ধতার উপর ভিত্তি করে প্রথমে আপনার বিকল্পগুলি সংকুচিত করা উচিত: মডেলের আকার, ডেটার আকার, অনুমানের গতি বা নির্ভুলতা।
যদি আপনি নিশ্চিত না হন যে আপনার সবচেয়ে সীমাবদ্ধ সীমাবদ্ধতা কী, তাহলে ধরে নিন এটি মডেলের আকার এবং উপলব্ধ সবচেয়ে ছোট মডেলটি বেছে নিন। একটি ছোট মডেল বেছে নেওয়ার ফলে আপনি ডিভাইসগুলির ক্ষেত্রে সবচেয়ে নমনীয়তা পাবেন যেখানে আপনি সফলভাবে মডেলটি স্থাপন এবং চালাতে পারবেন। ছোট মডেলগুলি সাধারণত দ্রুত অনুমান তৈরি করে এবং দ্রুত ভবিষ্যদ্বাণীগুলি সাধারণত উন্নত শেষ ব্যবহারকারীর অভিজ্ঞতা তৈরি করে। ছোট মডেলগুলির সাধারণত কম নির্ভুলতার হার থাকে, তাই ভবিষ্যদ্বাণীর নির্ভুলতা আপনার প্রাথমিক উদ্বেগের বিষয় হলে আপনাকে আরও বড় মডেলগুলি বেছে নিতে হতে পারে।
মডেলের উৎস
TensorFlow Lite-এর সাথে ব্যবহারের জন্য মডেলগুলি খুঁজে বের করার এবং নির্বাচন করার জন্য আপনার প্রথম গন্তব্যস্থল হিসেবে LiterRT Examples বিভাগ এবং Kaggle Models ব্যবহার করুন। এই উৎসগুলিতে সাধারণত LiterRT-এর সাথে ব্যবহারের জন্য আপ টু ডেট, কিউরেটেড মডেল থাকে এবং আপনার ডেভেলপমেন্ট প্রক্রিয়া ত্বরান্বিত করার জন্য প্রায়শই নমুনা কোড অন্তর্ভুক্ত থাকে।
টেনসরফ্লো মডেল
নিয়মিত টেনসরফ্লো মডেলগুলিকে টেনসরফ্লো লাইট ফর্ম্যাটে রূপান্তর করা সম্ভব। মডেলগুলিকে রূপান্তর করার বিষয়ে আরও তথ্যের জন্য, টেনসরফ্লো লাইট কনভার্টার ডকুমেন্টেশন দেখুন। আপনি টেনসরফ্লো মডেলগুলি ক্যাগল মডেলগুলিতে এবং টেনসরফ্লো মডেল গার্ডেনে খুঁজে পেতে পারেন।