LiteRT এর জন্য প্রাক-প্রশিক্ষিত মডেল

ইতিমধ্যেই বিভিন্ন ধরনের প্রশিক্ষিত, ওপেন সোর্স মডেল রয়েছে যা আপনি অনেক মেশিন লার্নিং কাজ সম্পাদন করতে LiteRT-এর সাথে অবিলম্বে ব্যবহার করতে পারেন। প্রাক-প্রশিক্ষিত LiteRT মডেলগুলি ব্যবহার করে আপনি আপনার মোবাইল এবং এজ ডিভাইস অ্যাপ্লিকেশনে দ্রুত মেশিন লার্নিং কার্যকারিতা যোগ করতে পারবেন, কোনো মডেল তৈরি ও প্রশিক্ষণ ছাড়াই। এই নির্দেশিকা আপনাকে LiteRT-এর সাথে ব্যবহারের জন্য প্রশিক্ষিত মডেল খুঁজে পেতে এবং সিদ্ধান্ত নিতে সাহায্য করে।

আপনি Kaggle মডেলগুলিতে মডেলের একটি বড় সেট ব্রাউজ করা শুরু করতে পারেন।

আপনার আবেদনের জন্য একটি মডেল খুঁজুন

আপনি যা করার চেষ্টা করছেন তার উপর নির্ভর করে আপনার ব্যবহারের ক্ষেত্রে একটি বিদ্যমান LiteRT মডেল খুঁজে পাওয়া কঠিন হতে পারে। LiteRT এর সাথে ব্যবহারের জন্য মডেলগুলি আবিষ্কার করার জন্য এখানে কয়েকটি প্রস্তাবিত উপায় রয়েছে:

উদাহরণ স্বরূপ: TensorFlow Lite-এর সাহায্যে মডেলগুলি খুঁজে বের করার এবং ব্যবহার শুরু করার দ্রুততম উপায় হল LiteRT উদাহরণ বিভাগে ব্রাউজ করে এমন মডেলগুলি খুঁজে বের করা যা আপনার ব্যবহারের ক্ষেত্রের মতো একটি কাজ সম্পাদন করে৷ উদাহরণগুলির এই সংক্ষিপ্ত ক্যাটালগটি সাধারণ ব্যবহারের ক্ষেত্রে মডেলগুলির ব্যাখ্যা সহ মডেলগুলি এবং নমুনা কোডগুলি আপনাকে দৌড়ানো এবং ব্যবহার করা শুরু করতে দেয়৷

ডেটা ইনপুট প্রকার অনুসারে: আপনার ব্যবহারের ক্ষেত্রে অনুরূপ উদাহরণগুলি দেখার পাশাপাশি, আপনার নিজের ব্যবহারের জন্য মডেলগুলি আবিষ্কার করার আরেকটি উপায় হল আপনি যে ধরনের ডেটা প্রক্রিয়া করতে চান, যেমন অডিও, পাঠ্য, ছবি বা ভিডিও ডেটা বিবেচনা করা৷ মেশিন লার্নিং মডেলগুলি প্রায়শই এই ধরণের ডেটাগুলির একটির সাথে ব্যবহারের জন্য ডিজাইন করা হয়, তাই আপনি যে ডেটা টাইপ ব্যবহার করতে চান তা পরিচালনা করে এমন মডেলগুলি সন্ধান করা আপনাকে কোন মডেলগুলি বিবেচনা করতে হবে তা সংকুচিত করতে সহায়তা করতে পারে৷

নিম্নলিখিতগুলি সাধারণ ব্যবহারের ক্ষেত্রে Kaggle মডেলগুলিতে LiteRT মডেলগুলির লিঙ্কগুলিকে তালিকাভুক্ত করে:

অনুরূপ মডেলগুলির মধ্যে চয়ন করুন

যদি আপনার অ্যাপ্লিকেশনটি চিত্র শ্রেণীবিভাগ বা অবজেক্ট সনাক্তকরণের মতো একটি সাধারণ ব্যবহারের ক্ষেত্রে অনুসরণ করে, তাহলে আপনি বাইনারি আকার, ডেটা ইনপুট আকার, অনুমান গতি এবং পূর্বাভাস নির্ভুলতা রেটিং সহ একাধিক TensorFlow Lite মডেলের মধ্যে সিদ্ধান্ত নিতে পারেন। বেশ কয়েকটি মডেলের মধ্যে সিদ্ধান্ত নেওয়ার সময়, আপনার সবচেয়ে সীমিত সীমাবদ্ধতার উপর ভিত্তি করে প্রথমে আপনার বিকল্পগুলিকে সংকীর্ণ করা উচিত: মডেলের আকার, ডেটার আকার, অনুমান গতি বা নির্ভুলতা।

আপনি যদি নিশ্চিত না হন যে আপনার সবচেয়ে সীমিত সীমাবদ্ধতা কী, অনুমান করুন এটি মডেলের আকার এবং উপলব্ধ সবচেয়ে ছোট মডেলটি বেছে নিন। একটি ছোট মডেল বাছাই করা আপনাকে ডিভাইসগুলির ক্ষেত্রে সবচেয়ে নমনীয়তা দেয় যেখানে আপনি সফলভাবে মডেলটি স্থাপন এবং চালাতে পারেন৷ ছোট মডেলগুলিও সাধারণত দ্রুত অনুমান তৈরি করে এবং দ্রুততর ভবিষ্যদ্বাণীগুলি সাধারণত ভাল শেষ-ব্যবহারকারীর অভিজ্ঞতা তৈরি করে। ছোট মডেলগুলিতে সাধারণত কম নির্ভুলতার হার থাকে, তাই ভবিষ্যদ্বাণীর নির্ভুলতা আপনার প্রাথমিক উদ্বেগের বিষয় হলে আপনাকে বড় মডেল বাছাই করতে হতে পারে।

মডেলের জন্য উত্স

টেনসরফ্লো লাইটের সাথে ব্যবহারের জন্য মডেলগুলি সন্ধান এবং নির্বাচন করার জন্য আপনার প্রথম গন্তব্য হিসাবে LiteRT উদাহরণ বিভাগ এবং Kaggle মডেলগুলি ব্যবহার করুন৷ এই উত্সগুলিতে সাধারণত আপ টু ডেট, LiteRT-এর সাথে ব্যবহারের জন্য কিউরেটেড মডেল থাকে এবং আপনার বিকাশ প্রক্রিয়াকে ত্বরান্বিত করতে প্রায়শই নমুনা কোড অন্তর্ভুক্ত করে।

টেনসরফ্লো মডেল

নিয়মিত টেনসরফ্লো মডেলগুলিকে টেনসরফ্লো লাইট ফর্ম্যাটে রূপান্তর করা সম্ভব। মডেল রূপান্তর সম্পর্কে আরও তথ্যের জন্য, TensorFlow Lite Converter ডকুমেন্টেশন দেখুন। আপনি Kaggle মডেল এবং TensorFlow মডেল গার্ডেনে TensorFlow মডেলগুলি খুঁজে পেতে পারেন৷