نمای کلی
کتابخانه TensorFlow Lite Model Maker فرآیند آموزش یک مدل TensorFlow Lite را با استفاده از مجموعه داده های سفارشی ساده می کند. از یادگیری انتقال برای کاهش داده های آموزشی مورد نیاز و کوتاه کردن زمان آموزش استفاده می کند.
وظایف پشتیبانی شده
کتابخانه Model Maker در حال حاضر از وظایف ML زیر پشتیبانی می کند. برای راهنمایی در مورد نحوه آموزش مدل روی لینک های زیر کلیک کنید.
وظایف پشتیبانی شده | Task Utility |
---|---|
طبقه بندی تصاویر: آموزش ، api | دسته بندی تصاویر به دسته های از پیش تعریف شده |
تشخیص اشیا: آموزش ، api | تشخیص اشیاء در زمان واقعی. |
طبقه بندی متن: آموزش ، api | متن را به دسته های از پیش تعریف شده طبقه بندی کنید. |
پاسخ سوال BERT: آموزش ، api | پاسخ را در یک زمینه خاص برای یک سوال معین با BERT بیابید. |
طبقه بندی صوتی: آموزش ، api | صدا را به دسته های از پیش تعریف شده طبقه بندی کنید. |
توصیه: نسخه ی نمایشی ، api | موارد را بر اساس اطلاعات زمینه برای سناریوی روی دستگاه توصیه کنید. |
جستجوگر: آموزش ، api | متن یا تصویر مشابه را در پایگاه داده جستجو کنید. |
اگر وظایف شما پشتیبانی نمیشود، لطفاً ابتدا از TensorFlow برای آموزش مجدد مدل TensorFlow با یادگیری انتقال (به دنبال راهنماهایی مانند تصاویر ، متن ، صدا ) استفاده کنید یا آن را از ابتدا آموزش دهید و سپس آن را به مدل TensorFlow Lite تبدیل کنید .
مثال سرتاسری
Model Maker به شما امکان می دهد یک مدل TensorFlow Lite را با استفاده از مجموعه داده های سفارشی تنها در چند خط کد آموزش دهید. به عنوان مثال، در اینجا مراحل آموزش یک مدل طبقه بندی تصویر آورده شده است.
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/')
برای جزئیات بیشتر، راهنمای طبقه بندی تصاویر را ببینید.
نصب و راه اندازی
دو راه برای نصب Model Maker وجود دارد.
- یک بسته پیپ از پیش ساخته شده را نصب کنید.
pip install tflite-model-maker
اگر می خواهید نسخه شبانه را نصب کنید، لطفاً دستور را دنبال کنید:
pip install tflite-model-maker-nightly
- کد منبع را از GitHub کلون کرده و نصب کنید.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker به بسته Pip TensorFlow بستگی دارد. برای درایورهای GPU، لطفاً به راهنمای GPU یا راهنمای نصب TensorFlow مراجعه کنید.
مرجع پایتون API
میتوانید APIهای عمومی Model Maker را در مرجع API پیدا کنید.