La tarea Clasificador de texto de MediaPipe te permite clasificar texto en un conjunto de categorías definidas, como opiniones positivas o negativas. Las categorías se determinan, el modelo que usas y cómo se entrenó. Estas instrucciones te muestran cómo usar el clasificador de texto con Python.
Puedes ver esta tarea en acción en la demostración web. Para obtener más información sobre las capacidades, los modelos y las opciones de configuración de esta tarea, consulta la Descripción general.
Ejemplo de código
El código de ejemplo del clasificador de texto proporciona una implementación completa de esta tarea en Python para tu referencia. Este código te ayuda a probar esta tarea y comenzar a compilar tu propia app de clasificación de texto. Puedes ver, ejecutar y editar el código de ejemplo del clasificador de texto solo con tu navegador web.
Si quieres implementar el clasificador de texto para Raspberry Pi, consulta la app de ejemplo de Raspberry Pi.
Configuración
En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y los proyectos de código específicamente para usar el clasificador de texto. Si deseas obtener información general sobre cómo configurar tu entorno de desarrollo para usar MediaPipe Tasks, incluidos los requisitos de la versión de la plataforma, consulta la Guía de configuración de Python.
Paquetes
El clasificador de texto usa el paquete pip de mediapipe. 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 de 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 descripción general de la tarea en la sección Modelos.
Selecciona y descarga un modelo, y almacénalo en un directorio local:
model_path = '/absolute/path/to/text_classifier.tflite'
Especifica la ruta del modelo con el parámetro model_asset_path del objeto BaseOptions, como se muestra a continuación:
base_options = BaseOptions(model_asset_path=model_path)
Crea la tarea
La tarea del clasificador de texto de MediaPipe usa la función create_from_options para configurar la tarea. La función create_from_options acepta valores para las opciones de configuración a fin de establecer las opciones del clasificador. También puedes inicializar la tarea con la función de fábrica create_from_model_path. La función create_from_model_path acepta una ruta de acceso relativa o absoluta al archivo del modelo entrenado.
Si deseas obtener más información sobre las opciones de configuración, consulta Opciones de configuración.
En el siguiente código, se muestra la compilación y configuración de 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 incluye 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 proporcionados en los 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 |
Configura la cantidad máxima opcional de resultados de clasificación con puntuación más alta que se mostrarán. Si es inferior a 0, se devolverán todos los resultados disponibles. | Cualquier número positivo | -1 |
score_threshold |
Establece el umbral de puntuación de predicción que anula el proporcionado en los metadatos del modelo (si corresponde). Se rechazarán los resultados inferiores a este valor. | Cualquier número de punto flotante | No establecida |
category_allowlist |
Establece la lista opcional de nombres de categorías permitidas. Si no está vacío, se filtrarán los resultados de clasificación cuyo nombre de categoría no esté en este conjunto. Los nombres de categorías duplicados o desconocidos se ignoran.
Esta opción es mutuamente excluyente con category_denylist, y el uso de ambos da como resultado un error. |
Cualquier cadena | No establecida |
category_denylist |
Establece la lista opcional de nombres de categorías que no están permitidas. Si no está vacío, se filtrarán los resultados de clasificación cuyo nombre de categoría se encuentre en este conjunto. Los nombres de categorías duplicados o desconocidos se ignoran. Esta opción es mutuamente
exclusiva con category_allowlist, y el uso de ambas da como resultado un error. |
Cualquier cadena | No establecida |
Preparar los datos
El clasificador de texto funciona con datos de texto (str). Esta tarea controla el procesamiento previo de la entrada de datos, 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 realizar un procesamiento previo adicional del texto de entrada con anticipación.
input_text = 'The input text to be classified.'
Ejecuta la tarea
El clasificador de texto usa la función classify para activar las inferencias. Para la clasificación de texto, esto significa mostrar las categorías posibles para el texto de entrada.
En el siguiente código, se muestra cómo ejecutar el procesamiento con el modelo de tareas.
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
Cómo controlar y mostrar los 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 modelo que utilices, por lo que, si quieres diferentes categorías, elige un modelo diferente o vuelve 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 obtiene ejecutando el BERT-classifier en el texto de entrada:
"an imperfect but overall entertaining mystery".