Обзор
Библиотека TensorFlow Lite Model Maker упрощает процесс обучения модели TensorFlow Lite с использованием пользовательского набора данных. Она использует метод переноса обучения для сокращения объёма необходимых обучающих данных и времени обучения.
Поддерживаемые задачи
Библиотека Model Maker в настоящее время поддерживает следующие задачи машинного обучения. Перейдите по ссылкам ниже, чтобы получить инструкции по обучению модели.
| Поддерживаемые задачи | Утилита задач |
|---|---|
| Классификация изображений: руководство , API | Классифицируйте изображения по предопределенным категориям. |
| Обнаружение объектов: руководство , API | Обнаружение объектов в реальном времени. |
| Классификация текста: учебник , API | Классифицируйте текст по предопределенным категориям. |
| BERT Вопрос Ответ: учебник , API | Найдите ответ на заданный вопрос в определенном контексте с помощью BERT. |
| Классификация аудио: учебник , API | Классифицируйте аудио по предопределенным категориям. |
| Рекомендация: демо , API | Рекомендовать элементы на основе контекстной информации для сценария на устройстве. |
| Поисковик: учебник , API | Поиск похожего текста или изображения в базе данных. |
Если ваши задачи не поддерживаются, сначала используйте TensorFlow для переобучения модели TensorFlow с трансферным обучением (следуя таким руководствам, как изображения , текст , аудио ) или обучите ее с нуля, а затем преобразуйте ее в модель TensorFlow Lite.
Пример «от начала до конца»
Model Maker позволяет обучить модель TensorFlow Lite, используя пользовательские наборы данных, всего за несколько строк кода. Например, вот шаги для обучения модели классификации изображений.
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/')
Более подробную информацию см. в руководстве по классификации изображений .
Установка
Установить Model Maker можно двумя способами.
- Установите готовый пакет pip.
pip install tflite-model-maker
Если вы хотите установить ночную версию, выполните команду:
pip install tflite-model-maker-nightly
- Клонируйте исходный код с GitHub и установите.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker использует pip-пакет TensorFlow. Информацию о драйверах графического процессора см. в руководстве по графическому процессору или руководстве по установке TensorFlow.
Справочник API Python
Публичные API Model Maker можно найти в справочнике API .