Guia de classificação de texto para Web

A tarefa MediaPipe Text Classifier permite classificar textos em um conjunto de categorias definidas. como sentimentos positivos ou negativos. As categorias são determinadas pelo modelo que você usa e como esse modelo foi treinado. Estas instruções mostram como usar o Text Classifier para apps da Web e JavaScript.

Para saber como essa tarefa funciona, acesse o demonstração. Para mais informações sobre os recursos, modelos e de configuração dessa tarefa, consulte a Visão geral.

Exemplo de código

O código de exemplo para o classificador de texto fornece uma implementação completa em JavaScript para sua referência. Esse código ajuda a testar a tarefa para começar a criar seu próprio app de classificação de texto. Você pode exibir, executar e Editar o código de exemplo do classificador de texto usando apenas seu navegador da Web.

Configuração

Esta seção descreve as principais etapas para configurar seu ambiente de desenvolvimento e projetos de código especificamente para usar o classificador de texto. Para informações gerais a configuração do seu ambiente de desenvolvimento para usar o MediaPipe Tasks, incluindo requisitos de versão da plataforma, consulte Guia de configuração para a Web.

Pacotes JavaScript

O código do classificador de texto está disponível nas @mediapipe/tasks-text . Essas bibliotecas podem ser encontradas e baixadas nos links fornecidos na plataforma Guia de configuração.

É possível instalar os pacotes necessários com o seguinte código para preparo local usando o seguinte comando:

npm install @mediapipe/tasks-text

Se você quiser implantar em um servidor, use uma API de envio de conteúdo de rede (CDN), como jsDelivr para adicionar o código diretamente à página HTML, da seguinte forma:

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@0.1/text-bundle.js"
    crossorigin="anonymous"></script>
</head>

Modelo

A tarefa do classificador de texto do MediaPipe requer um modelo treinado que seja compatível com essa tarefa. Para mais informações sobre modelos treinados disponíveis para o classificador de texto, consulte na seção de visão geral da tarefa Modelos.

Selecione e faça o download de um modelo e armazene-o no diretório do projeto:

<dev-project-root>/assets/bert_text_classifier.tflite

Especifique o caminho do modelo com o objeto baseOptions modelAssetPath , conforme mostrado abaixo:

baseOptions: {
        modelAssetPath: `/assets/bert_text_classifier.tflite`
      }

Criar a tarefa

Use uma das funções TextClassifier.createFrom...() do classificador de texto para preparar a tarefa para executar inferências. Você pode usar o createFromModelPath() função com um caminho relativo ou absoluto para o arquivo de modelo treinado. O código exemplo abaixo demonstra o uso do TextClassifier.createFromOptions() função. Para mais informações sobre as opções de configuração disponíveis, consulte Opções de configuração.

O código abaixo demonstra como criar e configurar essa tarefa:

async function createClassifier() {
  const textFiles = await FilesetResolver.forTextTasks("https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@latest/wasm/");
  textClassifier = await TextClassifier.createFromOptions(
    textFiles,
    {
      baseOptions: {
        modelAssetPath: `https://storage.googleapis.com/mediapipe-tasks/text_classifier/bert_text_classifier.tflite`
      },
      maxResults: 5
    }
  );
}
createClassifier();

Opções de configuração

Esta tarefa tem as seguintes opções de configuração para Web e JavaScript aplicativos:

Nome da opção Descrição Intervalo de valor Valor padrão
displayNamesLocale Define o idioma dos rótulos a serem usados para nomes de exibição fornecidos no metadados do modelo da tarefa, se disponíveis. O padrão é en para inglês. É possível adicionar rótulos localizados aos metadados de um modelo personalizado usando a API Metadata Writer do TensorFlow Lite; Código da localidade en
maxResults Define o número máximo opcional de resultados da classificação com maior pontuação como voltar. Se < 0, todos os resultados disponíveis serão retornados. Qualquer número positivo -1
scoreThreshold Define o limite de pontuação da previsão que substitui o fornecido no os metadados do modelo (se houver). Resultados abaixo desse valor são rejeitados. Qualquer flutuação Não definido
categoryAllowlist Define a lista opcional de nomes de categorias permitidos. Se não estiver vazio, resultados de classificação cujo nome de categoria não esteja neste conjunto serão que foram filtradas. Nomes de categorias duplicados ou desconhecidos são ignorados. Essa opção é mutuamente exclusiva com categoryDenylist e usando os dois resultarão em erro. Qualquer string Não definido
categoryDenylist Define a lista opcional de nomes de categorias que não são permitidos. Se não vazio, os resultados de classificação cujo nome de categoria estiver neste conjunto serão filtrados para fora. Nomes de categorias duplicados ou desconhecidos são ignorados. Essa opção é mutuamente exclusivo com categoryAllowlist e usar ambos resulta em um erro. Qualquer string Não definido

Preparar dados

O classificador de texto funciona com dados de texto (String). A tarefa lida com o Pré-processamento de entrada de dados, incluindo tokenização e pré-processamento de tensor.

Todo o pré-processamento é feito na função classify(). Não é necessário para pré-processamento adicional do texto de entrada.

const inputText = "The input text to be classified.";

Executar a tarefa

O classificador de texto usa a função classify() para acionar inferências. Para texto classificação, isso significa retornar as categorias possíveis para o texto de entrada.

O código a seguir demonstra como executar o processamento com a tarefa um modelo de machine learning.

// Wait to run the function until inner text is set
const result: TextClassifierResult = await textClassifier.classify(
  inputText
);

Gerenciar e exibir resultados

O classificador de texto gera uma TextClassifierResult que contém a lista de categorias possíveis para o texto de entrada. As categorias são definidas pelo modelo que você usa, portanto, se quiser categorias diferentes, escolha um modelo diferente, ou treinar novamente um que já existe.

Confira abaixo um exemplo dos dados de saída desta tarefa:

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

Esse resultado foi gerado executando o classificador BERT no texto de entrada: "an imperfect but overall entertaining mystery"