Przegląd
Biblioteka TensorFlow Lite Model Maker upraszcza proces trenowania modelu TensorFlow Lite przy użyciu niestandardowego zbioru danych. Wykorzystuje uczenie przez przeniesienie, aby zmniejszyć ilość wymaganych danych treningowych i skrócić czas trenowania.
Obsługiwane zadania
Biblioteka Model Maker obsługuje obecnie te zadania ML: Kliknij linki poniżej, aby zapoznać się z przewodnikami dotyczącymi trenowania modelu.
| Obsługiwane zadania | Narzędzie do zadań |
|---|---|
| Klasyfikacja obrazów: samouczek, interfejs API | klasyfikować obrazy w wstępnie zdefiniowanych kategoriach; |
| Wykrywanie obiektów: samouczek, API | wykrywać obiekty w czasie rzeczywistym; |
| Klasyfikacja tekstu: samouczek, interfejs API | Klasyfikowanie tekstu w wstępnie zdefiniowanych kategoriach. |
| BERT Question Answer: tutorial, api | Znajdź odpowiedź w określonym kontekście dla danego pytania za pomocą BERT. |
| Klasyfikacja dźwięku: samouczek, interfejs API | Klasyfikowanie dźwięku w wstępnie zdefiniowanych kategoriach. |
| Rekomendacja: demo, api | Polecanie produktów na podstawie informacji kontekstowych w scenariuszu na urządzeniu. |
| Wyszukiwarka: tutorial, api | wyszukiwanie podobnego tekstu lub obrazu w bazie danych; |
Jeśli Twoje zadania nie są obsługiwane, najpierw użyj TensorFlow, aby ponownie wytrenować model TensorFlow z wykorzystaniem uczenia przez przeniesienie (postępuj zgodnie z przewodnikami dotyczącymi obrazów, tekstu i dźwięku) lub wytrenuj go od zera, a następnie przekonwertuj na model TensorFlow Lite.
Kompleksowy przykład
Model Maker umożliwia trenowanie modelu TensorFlow Lite za pomocą niestandardowych zbiorów danych przy użyciu zaledwie kilku wierszy kodu. Oto na przykład instrukcje trenowania modelu klasyfikacji obrazów.
from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader
# Load input data specific to an on-device ML app.
data = DataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)
# Customize the TensorFlow model.
model = image_classifier.create(train_data)
# Evaluate the model.
loss, accuracy = model.evaluate(test_data)
# Export to Tensorflow Lite model and label file in `export_dir`.
model.export(export_dir='/tmp/')
Więcej informacji znajdziesz w przewodniku po klasyfikacji obrazów.
Instalacja
Model Maker można zainstalować na 2 sposoby.
- Zainstaluj gotowy pakiet pip.
pip install tflite-model-maker
Jeśli chcesz zainstalować wersję nocną, wykonaj to polecenie:
pip install tflite-model-maker-nightly
- Sklonuj kod źródłowy z GitHuba i zainstaluj go.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker zależy od pakietu pip TensorFlow. W przypadku sterowników GPU zapoznaj się z przewodnikiem po GPU lub przewodnikiem instalacji TensorFlow.
Dokumentacja Python API
Publiczne interfejsy API Model Makera znajdziesz w dokumentacji interfejsów API.