L'attività Classificazione di testo MediaPipe consente di classificare il testo in un insieme di categorie definite, come un sentiment positivo o negativo. Le categorie vengono definite durante l'addestramento del modello. Questa attività opera su dati di testo con un modello di machine learning (ML) come dati statici e genera un elenco di categorie con i relativi punteggi di probabilità.
Inizia
Inizia a utilizzare questa attività seguendo una di queste guide all'implementazione per la piattaforma su cui stai lavorando:
- Android - Esempio di codice - Guida
- Python - Esempio di codice - Guida
- Web - Esempio di codice - Guida
- iOS - Esempio di codice - Guida
Queste guide specifiche per piattaforma illustrano l'implementazione di base di questa attività, inclusi un modello consigliato ed un esempio di codice con le opzioni di configurazione consigliate.
Dettagli attività
Questa sezione descrive le funzionalità, gli input, gli output e le opzioni di configurazione di questa attività.
Funzionalità
- Elaborazione del testo di input: supporta la tokenizzazione fuori dal grafico per i modelli senza tokenizzazione nel grafico
- Più teste di classificazione: ogni testa può utilizzare il proprio set di categorie
- Impostazioni internazionali mappa etichette: imposta la lingua utilizzata per i nomi visualizzati.
- Soglia punteggio: filtra i risultati in base ai punteggi delle previsioni
- Risultati di classificazione Top-K: filtra il numero di risultati del rilevamento
- Lista consentita e lista bloccata: specifica le categorie rilevate
| Input attività | Output attività |
|---|---|
Il classificatore di testo accetta il seguente tipo di dati di input:
|
Il classificatore di testo restituisce un elenco di categorie contenenti:
|
Opzioni di configurazione
Questa attività prevede le seguenti opzioni di configurazione:
| Nome opzione | Descrizione | Intervallo di valori | Valore predefinito |
|---|---|---|---|
displayNamesLocale |
Imposta la lingua delle etichette da utilizzare per i nomi visualizzati forniti nei metadati del modello dell'attività, se disponibili. Il valore predefinito è en per
l'inglese. Puoi aggiungere etichette localizzate ai metadati di un modello personalizzato utilizzando l'API Metadata Writer di TensorFlow Lite
| Codice impostazioni internazionali | it |
maxResults |
Imposta il numero massimo facoltativo di risultati di classificazione con il punteggio più alto da restituire. Se < 0, verranno restituiti tutti i risultati disponibili. | Eventuali numeri positivi | -1 |
scoreThreshold |
Imposta la soglia del punteggio di previsione che sostituisce quella fornita nei metadati del modello (se presenti). I risultati inferiori a questo valore vengono rifiutati. | Qualsiasi elemento in virgola mobile | Non impostata |
categoryAllowlist |
Consente di impostare l'elenco facoltativo di nomi di categorie consentite. Se il campo non è vuoto,
i risultati della classificazione il cui nome categoria non è presente in questo set verranno
filtrati. I nomi di categoria duplicati o sconosciuti vengono ignorati.
Questa opzione si esclude a vicenda con categoryDenylist e l'utilizzo di entrambe genera un errore. |
Qualsiasi stringa | Non impostata |
categoryDenylist |
Consente di impostare l'elenco facoltativo di nomi di categorie non consentiti. Se il campo non è vuoto, i risultati di classificazione il cui nome di categoria è presente in questo set verranno filtrati. I nomi di categoria duplicati o sconosciuti vengono ignorati. Questa opzione si esclude a vicenda con categoryAllowlist e l'uso di entrambe genera un errore. |
Qualsiasi stringa | Non impostata |
ottimizzabili
Il classificatore di testo può essere utilizzato con più modelli ML. Inizia con il modello predefinito consigliato per la tua piattaforma di destinazione quando inizi a sviluppare con questa attività. Gli altri modelli disponibili di solito fanno compromessi tra prestazioni, accuratezza, risoluzione e requisiti delle risorse e, in alcuni casi, includono funzionalità aggiuntive.
I modelli preaddestrati sono addestrati per l'analisi del sentiment e prevedono se il sentiment del testo di input è positivo o negativo. I modelli sono stati addestrati sul set di dati SST-2 (Stanford Sentiment Treebank), che consiste in recensioni di film etichettate come positive o negative. Tieni presente che i modelli supportano solo l'inglese. Poiché sono stati addestrati sulla base di un set di dati di recensioni di film, potresti notare una qualità inferiore per i testi che riguardano altre aree di argomenti.
Modello di classificazione BERT (consigliato)
Questo modello utilizza un'architettura basata su BERT (in particolare, il modello MobileBERT) ed è consigliato per la sua elevata accuratezza. Contiene metadati che consentono all'attività di eseguire la tokenizzazione BERT fuori dal grafico.
| Nome modello | Forma di input | Tipo di quantizzazione | Versions |
|---|---|---|---|
| Classificatore BERT | [1x128],[1x128],[1x128] | intervallo dinamico | Più recente |
Modello di incorporamento delle parole medio
Questo modello utilizza un'architettura di incorporamento delle parole media. Questo modello offre dimensioni ridotte e latenza inferiore, a parità di precisione di previsione inferiore rispetto al classificatore BERT. La personalizzazione di questo modello mediante addestramento aggiuntivo è anche più rapida rispetto all'addestramento del classificatore basato su BERT. Questo modello contiene metadati che consentono all'attività di eseguire tokenizzazione regex fuori grafico.
| Nome modello | Forma di input | Tipo di quantizzazione | Versions |
|---|---|---|---|
| Media di incorporamenti di parole | 1 x 256 | Nessuna (float32) | Più recente |
Benchmark attività
Ecco i benchmark delle attività per l'intera pipeline basati sui modelli preaddestrati precedenti. Il risultato della latenza è la latenza media su Pixel 6 utilizzando CPU / GPU.
| Nome modello | Latenza CPU | Latenza GPU |
|---|---|---|
| Media di incorporamenti di parole | 0,14 ms | - |
| Classificatore BERT | 57,68 ms | - |
Modelli personalizzati
Per questa attività puoi utilizzare un modello di ML personalizzato se vuoi migliorare o modificare le funzionalità dei modelli forniti. Con Model Maker puoi modificare i modelli esistenti o crearne uno con strumenti come TensorFlow. I modelli personalizzati utilizzati con MediaPipe devono essere in formato TensorFlow Lite e devono includere metadati specifici che descrivono i parametri operativi del modello. Ti consigliamo di utilizzare Model Maker per modificare i modelli forniti per questa attività prima di crearne di nuovi.