Обзор
Библиотека TensorFlow Lite Model Maker упрощает процесс обучения модели TensorFlow Lite с использованием пользовательского набора данных. Он использует трансферное обучение, чтобы уменьшить объем необходимых обучающих данных и сократить время обучения.
Поддерживаемые задачи
Библиотека Model Maker в настоящее время поддерживает следующие задачи машинного обучения. Нажмите на ссылку ниже, чтобы просмотреть инструкции по обучению модели.
Поддерживаемые задачи | Утилита задач |
---|---|
Классификация изображений: учебник , API | Классифицируйте изображения по предопределенным категориям. |
Обнаружение объектов: руководство , API | Обнаруживайте объекты в режиме реального времени. |
Классификация текста: учебник , API | Классифицируйте текст по предопределенным категориям. |
BERT Вопрос Ответ: учебник , API | Найдите ответ в определенном контексте на заданный вопрос 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 | Найдите похожий текст или изображение в базе данных. |
Если ваши задачи не поддерживаются, сначала используйте TensorFlow для переобучения модели TensorFlow с помощью трансферного обучения (следуя таким руководствам, как изображения , текст , аудио ) или обучите ее с нуля, а затем преобразуйте ее в модель TensorFlow Lite.
Сквозной пример
Model Maker позволяет обучать модель TensorFlow Lite с использованием пользовательских наборов данных всего за несколько строк кода. Например, вот шаги по обучению 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 можно найти в руководстве по классификации изображений .
Установка
Существует два способа установки Model Maker.
- 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 зависит от пакета pip TensorFlow. Драйверы графического процессора см. в руководстве по графическому процессору TensorFlow или в руководстве по установке .
Справочник по API Python
Вы можете узнать общедоступные API Model Maker в справочнике по API .