La tarea MediaPipe Text Classifier te permite clasificar texto en un conjunto de categorías definidas, como opiniones positivas o negativas. Las categorías se determinan según el modelo que usas y cómo se entrenó ese modelo. Estas instrucciones te muestran cómo usar el clasificador de texto con Python.
Para ver esta tarea en acción, consulta el Demostración web. Para obtener más información sobre las funciones, los modelos y de configuración de esta tarea, consulta la Descripción general.
Ejemplo de código
El código de ejemplo para el clasificador de texto proporciona una implementación completa de este en Python para tu referencia. Este código te ayuda a probar esta tarea y obtener empezaste a compilar tu propia app de clasificación de texto. Puedes ver, ejecutar y editar el clasificador de texto código de ejemplo usando solo el navegador web.
Si quieres implementar el clasificador de texto para Raspberry Pi, consulta la Ejemplo de Raspberry Pi de la app.
Configuración
En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y proyectos de código específicamente para usar el clasificador de texto. Para obtener información general configurar tu entorno de desarrollo para usar tareas de MediaPipe, incluidas de la versión de la plataforma, consulta la Guía de configuración para Python.
Paquetes
El clasificador de texto usa el paquete mediapipe pip. Puedes instalar estas dependencias con lo siguiente:
$ python -m pip install mediapipe
Importaciones
Importa las siguientes clases para acceder a las funciones de tareas del clasificador de texto:
from mediapipe.tasks import python
from mediapipe.tasks.python import text
Modelo
La tarea del clasificador de texto MediaPipe requiere un modelo entrenado que sea compatible con esta tarea. Si deseas obtener más información sobre los modelos entrenados disponibles para el clasificador de texto, consulta la sección Modelos de la descripción general de la tarea.
Selecciona y descarga un modelo y, luego, guárdalo en un directorio local:
model_path = '/absolute/path/to/text_classifier.tflite'
Especifica la ruta del modelo con el objeto model_asset_path de BaseOptions
según se muestra a continuación:
base_options = BaseOptions(model_asset_path=model_path)
Crea la tarea
La tarea del clasificador de texto MediaPipe usa la función create_from_options para configurar la
tarea. La función create_from_options acepta valores para la configuración
para configurar las opciones del clasificador. También puedes inicializar la tarea usando
la función de fábrica create_from_model_path El create_from_model_path
acepta una ruta de acceso absoluta o relativa al archivo de modelo entrenado.
Para obtener más información sobre las opciones de configuración, consulta
Opciones de configuración.
En el siguiente código, se muestra cómo compilar y configurar esta tarea.
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)
Opciones de configuración
Esta tarea tiene las siguientes opciones de configuración para apps para Android:
| Nombre de la opción | Descripción | Rango de valores | Valor predeterminado |
|---|---|---|---|
display_names_locale |
Configura el idioma de las etiquetas que se usarán para los nombres visibles que se proporcionan en la
metadatos del modelo de la tarea, si están disponibles. El valor predeterminado es en para
Inglés. Puedes agregar etiquetas localizadas a los metadatos de un modelo personalizado
con la API de Metadata Writer de TensorFlow Lite
| Código de configuración regional | en |
max_results |
Establece el número máximo opcional de resultados de la clasificación con puntuación más alta en el resultado. Si < 0, se devolverán todos los resultados disponibles. | Cualquier número positivo | -1 |
score_threshold |
Establece el umbral de puntuación de predicción que anula el que se proporciona en los metadatos del modelo (si los hay). Se rechazarán los resultados por debajo de este valor. | Cualquier número de punto flotante | Sin establecer |
category_allowlist |
Establece la lista opcional de nombres de categorías permitidas. Si no está vacío,
los resultados de clasificación cuyo nombre de categoría no se encuentre en este conjunto serán
filtrado. Se ignoran los nombres de categoría duplicados o desconocidos.
Esta opción es mutuamente excluyente con category_denylist y usa
ambos darán como resultado un error. |
Cualquier cadena | Sin establecer |
category_denylist |
Establece la lista opcional de nombres de categorías que no están permitidos. Si
no vacío, los resultados de clasificación cuyo nombre de categoría se encuentre en este conjunto se filtrarán
y sale de ella. Se ignoran los nombres de categoría duplicados o desconocidos. Esta opción es mutuamente
excluyente con category_allowlist y usar ambos dará como resultado un error. |
Cualquier cadena | Sin establecer |
Preparar los datos
El clasificador de texto funciona con datos de texto (str). La tarea maneja la entrada de datos
el procesamiento previo, incluida la asignación de token y el procesamiento previo del tensor.
Todo el procesamiento previo se controla dentro de la función classify. No es necesario
para un procesamiento previo adicional del texto de entrada.
input_text = 'The input text to be classified.'
Ejecuta la tarea
El clasificador de texto usa la función classify para activar inferencias. Para texto
clasificación, esto significa devolver las posibles categorías para el texto de entrada.
En el siguiente código, se muestra cómo ejecutar el procesamiento con la tarea un modelo de responsabilidad compartida.
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
Cómo controlar y mostrar resultados
El clasificador de texto genera un objeto TextClassifierResult que contiene una lista.
de categorías posibles para el texto de entrada. Las categorías se definen según el
el modelo que usas, así que si quieres diferentes categorías, elige un modelo diferente,
o volver a entrenar uno existente.
A continuación, se muestra un ejemplo de los datos de salida de esta tarea:
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
Este resultado se obtuvo mediante la ejecución del clasificador de BERT en el texto de entrada:
"an imperfect but overall entertaining mystery"