La tâche de classificateur de texte MediaPipe vous permet de classer du texte selon un ensemble de catégories définies, comme les sentiments positifs ou négatifs. Les catégories sont déterminées par le modèle utilisé et la manière dont ce modèle a été entraîné. Ces instructions vous expliquent comment utiliser le classificateur de texte avec Python.
Pour voir concrètement cette tâche, consultez la démonstration Web. Pour en savoir plus sur les fonctionnalités, les modèles et les options 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 cette tâche en Python à titre de référence. Ce code vous aide à tester cette tâche et à créer votre propre application de classification de texte. Vous pouvez afficher, exécuter et modifier l'exemple de code du classificateur de texte à l'aide de votre navigateur Web.
Si vous implémentez le classificateur de texte pour Raspberry Pi, consultez l'exemple d'application pour Raspberry Pi.
Préparation
Cette section décrit les étapes clés de la configuration de votre environnement de développement et de vos projets de code spécifiquement pour l'utilisation du classificateur de texte. Pour obtenir des informations générales sur la configuration de votre environnement de développement pour l'utilisation de MediaPipe Tasks, y compris sur les exigences de version de la plate-forme, consultez le guide de configuration pour Python.
Colis
Le classificateur de texte utilise le package pip mediapipe. Vous pouvez installer ces dépendances avec la commande suivante:
$ python -m pip install mediapipe
Importations
Importez les classes suivantes pour accéder aux fonctions des tâches de classificateur de texte:
from mediapipe.tasks import python
from mediapipe.tasks.python import text
Modèle
La tâche de classificateur de texte MediaPipe nécessite un modèle entraîné compatible avec cette tâche. Pour en savoir plus sur les modèles entraînés disponibles pour le classificateur de texte, consultez 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 le paramètre model_asset_path de l'objet BaseOptions, 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 la configurer. La fonction create_from_options accepte des valeurs pour les options de configuration afin de définir les options du classificateur. Vous pouvez également initialiser la tâche à l'aide de la fonction de fabrique create_from_model_path. La fonction create_from_model_path accepte un chemin d'accès relatif ou absolu au fichier de modèle entraîné.
Pour en savoir plus sur les options de configuration, consultez la section Options de configuration.
Le code suivant montre comment créer 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 dispose des 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 métadonnées du modèle de la tâche, le cas échéant. La valeur par défaut est en pour l'anglais. Vous pouvez ajouter des thèmes 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 à renvoyer. Si la valeur est inférieure à 0, tous les résultats disponibles sont renvoyés. | Tout nombre positif | -1 |
score_threshold |
Définit le seuil de score de prédiction qui remplace celui fourni dans les métadonnées du modèle (le cas échéant). Les résultats inférieurs à cette valeur sont refusés. | N'importe quelle valeur flottante | Non définie |
category_allowlist |
Définit la liste facultative des noms de catégories autorisés. S'ils ne sont pas vides, les résultats de classification dont le nom de catégorie ne figure pas dans cet ensemble sont filtrés. Les noms de catégorie en double ou inconnus sont ignorés.
Cette option s'exclut mutuellement avec category_denylist. L'utilisation des deux résultats génère une erreur. |
N'importe quelle chaîne | Non définie |
category_denylist |
Définit la liste facultative des noms de catégorie qui ne sont pas autorisés. S'ils ne sont pas vides, les résultats de classification dont le nom de catégorie figure dans cet ensemble seront filtrés. Les noms de catégorie en double ou inconnus sont ignorés. Cette option s'exclut mutuellement avec category_allowlist. L'utilisation des deux entraîne une erreur. |
N'importe quelle chaîne | Non définie |
Préparation des données
Le classificateur de texte fonctionne avec les données textuelles (str). Cette tâche gère le prétraitement de l'entrée des données, y compris la tokenisation et le prétraitement du Tensor.
L'ensemble du prétraitement est géré dans la fonction classify. Aucun prétraitement supplémentaire du texte d'entrée n'est nécessaire au préalable.
input_text = 'The input text to be classified.'
Exécuter la tâche
Le classificateur de texte utilise la fonction classify pour déclencher des inférences. Pour la classification de texte, cela signifie renvoyer les catégories possibles pour le texte d'entrée.
Le code suivant montre comment exécuter le traitement avec le modèle de tâche.
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 des catégories possibles pour le texte d'entrée. Les catégories sont définies par le modèle que vous utilisez. Par conséquent, si vous souhaitez des catégories différentes, choisissez un autre modèle ou réentraînez un modèle existant.
Voici un exemple des 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
Vous avez obtenu ce résultat en exécutant BERT-classifier sur le texte d'entrée : "an imperfect but overall entertaining mystery".