هناك مجموعة متنوعة من النماذج مفتوحة المصدر المدربة مسبقًا التي يمكنك استخدامها على الفور باستخدام LiteRT لإنجاز العديد من مهام التعلم الآلي. يتيح لك استخدام نماذج LiteRT المدرَّبة مسبقًا إضافة تعلُّم الآلة وظيفة سريعة على كل من أجهزة الهاتف الجوّال والأجهزة الجوّالة، بدون الحاجة إلى لإنشاء نموذج وتدريبه. يساعدك هذا الدليل في العثور على المدربين النماذج للاستخدام مع LiteRT.
يمكنك البدء في تصفح مجموعة كبيرة من النماذج على Kaggle الطُرز:
العثور على نموذج لتطبيقك
قد يكون العثور على نموذج LiteRT حالي لحالة الاستخدام أمرًا صعبًا اعتمادًا على ما تحاول تحقيقه. إليك بعض الطُرق المقترَحة لاكتشاف نماذج للاستخدام مع LiteRT:
على سبيل المثال: أسرع طريقة للعثور على النماذج وبدء استخدامها مع TensorFlow الوضع البسيط هو تصفح LiteRT أمثلة للعثور على النماذج التي تؤدي مهمة مشابهة لحالة الاستخدام لديك. يقدم هذا الكتالوج القصير بالأمثلة نماذج لحالات الاستخدام الشائعة مع تفسيرات للنماذج ونموذج التعليمات البرمجية لتبدأ في التشغيل واستخدامها معهم.
حسب نوع إدخال البيانات: بصرف النظر عن الاطّلاع على أمثلة مشابهة لحالة الاستخدام وهناك طريقة أخرى لاكتشاف النماذج لاستخدامك الخاص وهي النظر في نوع البيانات التي تريد معالجتها، مثل بيانات الصوت أو النص أو الصور أو الفيديو. الجهاز تم تصميم نماذج التعلم بشكل متكرر للاستخدام مع أحد هذه الأنواع من البيانات، لذا فإن البحث عن النماذج التي تتعامل مع نوع البيانات الذي تريد استخدامه يمكن أن يساعدك وتضييق نطاق النماذج التي يجب مراعاتها.
تضم القوائم التالية روابط لنماذج LiteRT على Kaggle النماذج لحالات الاستخدام الشائعة:
- تصنيف الصور طرازات
- رصد العناصر طرازات
- تصنيف النص طرازات
- تضمين النص طرازات
- تركيب الكلام الصوتي طرازات
- تضمين الصوت طرازات
الاختيار من بين نماذج مماثلة
إذا كان التطبيق يتبع حالة استخدام شائعة مثل تصنيف الصور أو لاكتشاف الأجسام، قد تجد نفسك تُختار بين عدة TensorFlow نماذج بسيطة ذات أحجام ثنائية مختلفة وحجم إدخال بيانات وسرعة استنتاج لتصنيفات دقة التنبؤ. عند الاختيار من بين عدد من النماذج، يمكنك يجب أن تحدد خياراتك أولاً بناءً على القيد الأكثر تقييدًا: حجم النموذج أو حجم البيانات أو سرعة الاستنتاج أو الدقة.
وإذا لم تكن متأكدًا من القيد الأكثر تقييدًا، افترض أنه الحجم من النموذج واختيار أصغر نموذج متاح. إن اختيار نموذج صغير على أكبر قدر من المرونة فيما يتعلق بالأجهزة حيث يمكنك نشر النموذج وتشغيله. عادةً ما تُنتج النماذج الأصغر حجمًا بشكل أسرع والاستنتاجات والتنبؤات الأسرع بشكل عام إلى تحسين تجربة وخبراتهم. تكون معدلات الدقة في النماذج الأصغر عادةً أقل، لذا قد تحتاج إلى لاختيار نماذج أكبر إذا كانت دقة التنبؤ هي مصدر قلقك الأساسي.
مصادر النماذج
استخدام LiteRT أمثلة ونماذج Kaggle وجهاتك الأولى للعثور على النماذج واختيارها لاستخدامها مع TensorFlow بسيط وتحتوي هذه المصادر عادةً على نماذج محدَّثة ومنظَّمة للاستخدام مع و LiteRT، وكثيرًا ما قم بتضمين رمز نموذجي لتسريع تطوير البرامج.
طُرز TensorFlow
من الممكن تحويل نماذج TensorFlow العادية إلى TensorFlow. تنسيق بسيط لمزيد من المعلومات عن تحويل النماذج، يُرجى الاطّلاع على TensorFlow مستندات محوِّل Lite. يمكنك العثور على نماذج TensorFlow على نماذج Kaggle وفي نموذج TensorFlow حديقة