יש מגוון של מודלים שכבר אומנו וזמינים בקוד פתוח, שאפשר להשתמש בהם באופן מיידי עם LiteRT כדי לבצע משימות רבות של למידת מכונה. שימוש במודלים של LiteRT שאומנו מראש מאפשר להוסיף במהירות פונקציונליות של למידת מכונה לאפליקציה לנייד ולמכשיר קצה, בלי צורך לבנות ולאמן מודל. המדריך הזה יעזור לכם למצוא מודלים מאומנים ולהחליט אילו מודלים מתאימים לשימוש עם LiteRT.
אתם יכולים להתחיל לעיין במגוון רחב של מודלים ב-Kaggle Models.
חיפוש מודל לאפליקציה
יכול להיות שיהיה לכם קשה למצוא מודל LiteRT קיים שמתאים לתרחיש השימוש שלכם, בהתאם למטרה שאתם מנסים להשיג. ריכזנו כאן כמה דרכים מומלצות לגלות מודלים לשימוש ב-LiteRT:
לדוגמה: הדרך המהירה ביותר למצוא מודלים ולהתחיל להשתמש בהם עם TensorFlow Lite היא לעיין בקטע LiteRT Examples כדי למצוא מודלים שמבצעים משימה שדומה לתרחיש השימוש שלכם. הקטלוג הקצר הזה של דוגמאות מספק מודלים לתרחישי שימוש נפוצים, עם הסברים על המודלים וקוד לדוגמה שיעזרו לכם להתחיל להריץ אותם ולהשתמש בהם.
לפי סוג נתוני הקלט: בנוסף לבדיקת דוגמאות שדומות לתרחיש השימוש שלכם, אפשר גם לבחור מודלים לשימוש שלכם לפי סוג הנתונים שאתם רוצים לעבד, כמו נתוני אודיו, טקסט, תמונות או וידאו. מודלים של למידת מכונה מתוכננים לרוב לשימוש עם אחד מסוגי הנתונים האלה, ולכן חיפוש מודלים שמטפלים בסוג הנתונים שבו רוצים להשתמש יכול לעזור לצמצם את רשימת המודלים שכדאי לשקול.
בהמשך מפורטים קישורים למודלים של LiteRT ב-Kaggle Models לתרחישי שימוש נפוצים:
- מודלים של סיווג תמונות
- מודלים של זיהוי אובייקטים
- מודלים של סיווג טקסט
- מודלים של הטמעת טקסט
- מודלים של סינתזת דיבור באודיו
- מודלים של הטמעת אודיו
בחירה בין מודלים דומים
אם האפליקציה שלכם מתאימה לתרחיש שימוש נפוץ כמו סיווג תמונות או זיהוי אובייקטים, יכול להיות שתצטרכו לבחור בין כמה מודלים של TensorFlow Lite, עם גודל בינארי שונה, גודל קלט נתונים, מהירות הסקה ודירוגי דיוק של תחזיות. כשמתלבטים בין כמה מודלים, כדאי לצמצם את האפשרויות על סמך המגבלה הכי משמעותית: גודל המודל, גודל הנתונים, מהירות ההסקה או הדיוק.
אם אתם לא בטוחים מה המגבלה הכי משמעותית, כדאי להניח שזו גודל המודל ולבחור את המודל הכי קטן שזמין. בחירה במודל קטן מאפשרת לכם גמישות רבה יותר מבחינת המכשירים שבהם תוכלו לפרוס ולהפעיל את המודל בהצלחה. בנוסף, מודלים קטנים יותר בדרך כלל מפיקים מסקנות מהירות יותר, ותחזיות מהירות יותר בדרך כלל יוצרות חוויות טובות יותר למשתמשי הקצה. בדרך כלל, למודלים קטנים יש שיעורי דיוק נמוכים יותר, ולכן יכול להיות שתצטרכו לבחור מודלים גדולים יותר אם דיוק החיזוי הוא הדאגה העיקרית שלכם.
מקורות למודלים
כדי למצוא ולבחור מודלים לשימוש עם TensorFlow Lite, כדאי להתחיל עם הקטע LiteRT Examples ועם Kaggle Models. בדרך כלל, המקורות האלה כוללים מודלים מעודכנים ומסודרים לשימוש עם LiteRT, ולעתים קרובות הם כוללים קוד לדוגמה כדי להאיץ את תהליך הפיתוח.
מודלים של TensorFlow
אפשר להמיר מודלים רגילים של TensorFlow לפורמט TensorFlow Lite. מידע נוסף על המרת מודלים זמין במסמכי התיעוד של TensorFlow Lite Converter. מודלים של TensorFlow זמינים ב-Kaggle Models וב-TensorFlow Model Garden.