Tugas Pengklasifikasi Teks MediaPipe memungkinkan Anda mengklasifikasikan teks ke dalam serangkaian kategori yang ditentukan, seperti sentimen positif atau negatif. Kategori ditentukan oleh model yang Anda gunakan dan cara model tersebut dilatih. Petunjuk ini menunjukkan cara menggunakan {i>Text Classifier<i} dengan Python.
Anda dapat melihat cara kerja tugas ini dengan melihat Demo web. Untuk informasi selengkapnya tentang kemampuan, model, dan opsi konfigurasi tugas ini, lihat Ringkasan.
Contoh kode
Kode contoh untuk Pengklasifikasi Teks menyediakan implementasi lengkap dari di Python untuk referensi Anda. Kode ini membantu Anda menguji tugas ini dan mendapatkan mulai membangun aplikasi klasifikasi teks Anda sendiri. Anda dapat melihat, menjalankan, dan mengedit Pengklasifikasi Teks kode contoh hanya dengan menggunakan {i>browser<i} web.
Jika Anda mengimplementasikan Text Classifier untuk Raspberry Pi, lihat Contoh Rasberi Pi aplikasi.
Penyiapan
Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan mengkodekan proyek secara khusus untuk menggunakan Pengklasifikasi Teks. Untuk informasi umum tentang menyiapkan lingkungan pengembangan untuk menggunakan MediaPipe Tasks, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk Python.
Paket
Text Classifier menggunakan paket pip mediapipe. Anda dapat menginstal dependensi ini dengan hal berikut:
$ python -m pip install mediapipe
Impor
Impor class berikut untuk mengakses fungsi tugas Pengklasifikasi Teks:
from mediapipe.tasks import python
from mediapipe.tasks.python import text
Model
Tugas MediaPipe Text Classifier memerlukan model terlatih yang kompatibel dengan tugas Anda. Untuk informasi selengkapnya tentang model terlatih yang tersedia untuk Pengklasifikasi Teks, lihat ringkasan tugas bagian Model.
Pilih dan download model, lalu simpan di direktori lokal:
model_path = '/absolute/path/to/text_classifier.tflite'
Tentukan jalur model dengan objek BaseOptions model_asset_path
, seperti yang ditunjukkan di bawah ini:
base_options = BaseOptions(model_asset_path=model_path)
Membuat tugas
Tugas MediaPipe Text Classifier menggunakan fungsi create_from_options untuk menyiapkan
tugas Anda. Fungsi create_from_options menerima nilai untuk konfigurasi
opsi untuk menetapkan opsi pengklasifikasi. Anda juga dapat menginisialisasi tugas menggunakan
fungsi factory create_from_model_path. create_from_model_path
menerima jalur relatif atau absolut ke file model yang dilatih.
Untuk informasi selengkapnya mengenai opsi konfigurasi, lihat
Opsi konfigurasi.
Kode berikut menunjukkan cara membangun dan mengonfigurasi tugas ini.
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)
Opsi konfigurasi
Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Android:
| Nama Opsi | Deskripsi | Rentang Nilai | Nilai Default |
|---|---|---|---|
display_names_locale |
Menyetel bahasa label yang akan digunakan untuk nama tampilan yang diberikan di
metadata model tugas, jika tersedia. Defaultnya adalah en untuk
Bahasa Inggris. Anda dapat menambahkan label yang dilokalkan ke metadata model kustom
menggunakan TensorFlow Lite Metadata Writer API
| Kode lokal | id |
max_results |
Menetapkan jumlah maksimum opsional untuk hasil klasifikasi dengan skor tertinggi ke kembali. Jika < 0, semua hasil yang tersedia akan ditampilkan. | Semua angka positif | -1 |
score_threshold |
Menetapkan ambang batas skor prediksi yang menggantikan skor yang diberikan dalam metadata model (jika ada). Hasil di bawah nilai ini ditolak. | Float mana pun | Tidak ditetapkan |
category_allowlist |
Menetapkan daftar opsional untuk nama kategori yang diizinkan. Jika tidak kosong,
hasil klasifikasi yang nama kategorinya tidak ada dalam kumpulan ini akan
disaring. Nama kategori duplikat atau yang tidak diketahui akan diabaikan.
Opsi ini sama-sama bersifat eksklusif dengan category_denylist dan menggunakan
keduanya akan menghasilkan {i>error<i}. |
String apa pun | Tidak ditetapkan |
category_denylist |
Menetapkan daftar opsional nama kategori yang tidak diizinkan. Jika
hasil klasifikasi yang tidak kosong, yang nama kategorinya dalam rangkaian ini akan difilter
posisi-posisi ini. Nama kategori duplikat atau yang tidak diketahui akan diabaikan. Opsi ini sama-sama
eksklusif dengan category_allowlist dan menggunakan keduanya akan menyebabkan error. |
String apa pun | Tidak ditetapkan |
Menyiapkan data
Pengklasifikasi Teks berfungsi dengan data teks (str). Tugas tersebut menangani input data
pra-pemrosesan, termasuk tokenisasi dan pra-pemrosesan tensor.
Semua pra-pemrosesan ditangani dalam fungsi classify. Tidak perlu
untuk pra-pemrosesan tambahan terhadap teks input.
input_text = 'The input text to be classified.'
Menjalankan tugas
Pengklasifikasi Teks menggunakan fungsi classify untuk memicu inferensi. Untuk teks
klasifikasi, ini berarti mengembalikan kategori
yang mungkin untuk teks {i>input.<i}
Kode berikut menunjukkan cara menjalankan pemrosesan dengan tugas model transformer.
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
Menangani dan menampilkan hasil
Pengklasifikasi Teks menghasilkan objek TextClassifierResult yang berisi daftar
kategori yang memungkinkan untuk teks input. Kategori didefinisikan oleh
model yang Anda gunakan. Jika ingin kategori yang berbeda, pilih model yang berbeda,
atau melatih kembali yang sudah ada.
Berikut ini contoh data output dari tugas ini:
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
Hasil ini diperoleh dengan menjalankan pengklasifikasi BERT pada teks input:
"an imperfect but overall entertaining mystery".