La tâche de classification de texte MediaPipe vous permet de classer du texte en un ensemble de catégories définies, comme un sentiment positif ou négatif. Les catégories déterminent le modèle que vous utilisez et comment ce modèle a été entraîné. Ces instructions vous expliquent comment utiliser le classificateur de texte avec Python.
Pour voir concrètement en quoi consiste cette tâche, consultez le Démo Web : Pour en savoir plus sur les fonctionnalités, les modèles et de configuration de cette tâche, consultez la Présentation.
Exemple de code
L'exemple de code pour le classificateur de texte fournit une implémentation complète de ce dans Python à titre de référence. Ce code vous aide à tester cette tâche et à obtenir vous avez commencé à créer votre propre application de classification de texte. Vous pouvez afficher, exécuter modifier le classificateur de texte exemple de code en utilisant uniquement votre navigateur Web.
Si vous implémentez le classificateur de texte pour Raspberry Pi, consultez le Exemple pour Raspberry Pi l'application Nest.
Configuration
Cette section décrit les étapes clés à suivre pour configurer votre environnement de développement projets de code spécifiquement pour utiliser le classificateur de texte. Pour obtenir des informations générales sur configurer votre environnement de développement pour utiliser MediaPipe Tasks, y compris versions de la plate-forme requises, consultez la Guide de configuration pour Python
<ph type="x-smartling-placeholder">Colis
Le classificateur de texte utilise le package pip mediapipe. Vous pouvez installer ces dépendances par les éléments suivants:
$ python -m pip install mediapipe
Importations
Importez les classes suivantes pour accéder aux fonctions de la tâche de classificateur de texte:
from mediapipe.tasks import python
from mediapipe.tasks.python import text
Modèle
La tâche de classification de texte MediaPipe nécessite un modèle entraîné compatible avec tâche. Pour en savoir plus sur les modèles entraînés disponibles pour le classificateur de texte, consultez la page la section Modèles de la présentation des tâches.
Sélectionnez et téléchargez un modèle, puis stockez-le dans un répertoire local:
model_path = '/absolute/path/to/text_classifier.tflite'
Spécifiez le chemin d'accès du modèle avec l'objet BaseOptions model_asset_path.
, comme indiqué ci-dessous:
base_options = BaseOptions(model_asset_path=model_path)
Créer la tâche
La tâche de classificateur de texte MediaPipe utilise la fonction create_from_options pour configurer le
tâche. La fonction create_from_options accepte des valeurs pour la configuration
pour définir les options du classificateur. Vous pouvez également initialiser la tâche à l'aide de
la fonction de fabrique create_from_model_path. create_from_model_path
accepte un chemin d'accès relatif ou absolu vers le fichier de modèle entraîné.
Pour en savoir plus sur les options de configuration, consultez
Options de configuration.
Le code suivant montre comment compiler et configurer cette tâche.
base_options = python.BaseOptions(model_asset_path=model_path)
options = text.TextClassifierOptions(base_options=base_options)
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
Options de configuration
Cette tâche comporte les options de configuration suivantes pour les applications Android:
| Nom de l'option | Description | Plage de valeurs | Valeur par défaut |
|---|---|---|---|
display_names_locale |
Définit la langue des libellés à utiliser pour les noms à afficher fournis dans les
les métadonnées du modèle de la tâche, le cas échéant. La valeur par défaut est en pour
anglais. Vous pouvez ajouter des libellés localisés aux métadonnées d'un modèle personnalisé
à l'aide de l'API TensorFlow Lite Metadata Writer ;
| Code des paramètres régionaux | en |
max_results |
Définit le nombre maximal facultatif de résultats de classification les mieux notés sur retour. Si < 0, tous les résultats disponibles sont renvoyés. | Tous les nombres positifs | -1 |
score_threshold |
Définit le seuil de score de prédiction qui remplace celui indiqué dans les métadonnées du modèle (le cas échéant). Les résultats inférieurs à cette valeur sont refusés. | N'importe quel nombre décimal | Non défini |
category_allowlist |
Définit la liste facultative des noms de catégories autorisés. Si ce champ n'est pas vide,
les résultats de classification dont le nom de catégorie ne fait pas partie de cet ensemble seront
filtrées. Les noms de catégories en double ou inconnus sont ignorés.
Cette option s'exclue mutuellement avec category_denylist et utilise
génèrent une erreur. |
Toutes les chaînes | Non défini |
category_denylist |
Définit la liste facultative des noms de catégories non autorisés. Si
non vide, les résultats de classification dont le nom de catégorie se trouve dans cet ensemble seront filtrés
s'affiche. Les noms de catégories en double ou inconnus sont ignorés. Cette option est mutuellement
exclusive avec category_allowlist et l'utilisation des deux entraîne une erreur. |
Toutes les chaînes | Non défini |
Préparer les données
L'outil de classification de texte fonctionne avec des données textuelles (str). La tâche gère la saisie des données
le prétraitement, y compris la tokenisation et le prétraitement des Tensors.
L'ensemble du prétraitement est géré dans la fonction classify. Il n'est pas nécessaire
pour prétraiter davantage le texte d'entrée.
input_text = 'The input text to be classified.'
Exécuter la tâche
Le classificateur de texte utilise la fonction classify pour déclencher des inférences. Texte
la classification, cela signifie renvoyer les catégories possibles pour le texte d'entrée.
Le code suivant montre comment exécuter le traitement avec la tâche dans un modèle de ML.
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
Gérer et afficher les résultats
Le classificateur de texte génère un objet TextClassifierResult contenant une liste.
de catégories possibles pour le texte d'entrée. Ces catégories sont définies par
Le modèle que vous utilisez.
Si vous souhaitez utiliser des catégories différentes,
ou à réentraîner un modèle existant.
Voici un exemple de données de sortie de cette tâche:
TextClassificationResult:
Classification #0 (single classification head):
ClassificationEntry #0:
Category #0:
category name: "positive"
score: 0.8904
index: 0
Category #1:
category name: "negative"
score: 0.1096
index: 1
Ce résultat a été obtenu en exécutant le classificateur BERT sur le texte d'entrée:
"an imperfect but overall entertaining mystery"