Conversor do TensorFlow Lite

O conversor do TensorFlow Lite usa um modelo do TensorFlow e gera um modelo do TensorFlow Lite (um formato FlatBuffer otimizado identificado pela extensão de arquivo .tflite). Você tem duas opções para usar o conversor:

  1. API Python (recomendado): facilita a conversão de modelos como parte do pipeline de desenvolvimento de modelos, aplicação de otimizações e adição de metadados, além de muitos outros recursos.
  2. Linha de comando: só é compatível com a conversão de modelo básica.

Fluxo de trabalho do conversor do TFLite

API Python

Código auxiliar: para identificar a versão instalada do TensorFlow, execute print(tf.__version__) e, para saber mais sobre a API do conversor do TensorFlow Lite, execute print(help(tf.lite.TFLiteConverter)).

Se tiver instalado o TensorFlow 2.x, você terá estas duas opções (caso tenha instalado o TensorFlow 1.x., consulte o GitHub):

Converter um SavedModel (recomendado)

O exemplo a seguir mostra como converter um SavedModel em um modelo do TensorFlow Lite.

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Converter um modelo Keras

O exemplo a seguir mostra como converter um modelo Keras em um modelo do TensorFlow Lite.

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Converter funções concretas

O exemplo a seguir mostra como converter funções concretas em um modelo do TensorFlow Lite.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Outros recursos

  • Aplique otimizações. Uma otimização comum usada é a quantização pós-treinamento, que pode reduzir ainda mais a latência e o tamanho do modelo com perda mínima de acurácia.

  • Lide com operações não compatíveis. As seguintes opções estarão disponíveis se o modelo tiver operadores:

    1. Compatível com o TensorFlow, mas não compatível com o TensorFlow Lite: se você tiver restrições de tamanho, crie o operador do TensorFlow Lite. Caso contrário, use operadores do TensorFlow no modelo do TensorFlow Lite.

    2. Incompatível com o TensorFlow: é preciso criar o operador do TensorFlow e depois criar o operador do TensorFlow Lite. Se você não tiver criado o operador do TensorFlow ou não quiser criar um (não recomendado, continue com cuidado), poderá converter usando o método register_custom_opdefs e depois criar o operador do TensorFlow Lite diretamente. O método register_custom_opdefs pega uma lista de uma string contendo um OpDef (s). Veja abaixo um exemplo de TFLiteAwesomeCustomOp com uma entrada, uma saída e dois atributos:

        import tensorflow as tf

  custom_opdef = """name: 'TFLiteAwesomeCustomOp' input_arg:
  { name: 'In' type: DT_FLOAT } output_arg: { name: 'Out' type: DT_FLOAT }
  attr : { name: 'a1' type: 'float'} attr : { name: 'a2' type: 'list(float)'}"""

  # Register custom opdefs before the invocation of converter API.
  tf.lite.python.convert.register_custom_opdefs([custom_opdef])

  converter = tf.lite.TFLiteConverter.from_saved_model(...)
  converter.allow_custom_ops = True

Ferramenta da linha de comando

É altamente recomendável usar a API Python acima, se possível.

Se você tiver instalado o TensorFlow 2.x do pip, use o comando tflite_convert da seguinte forma (se você tiver instalado o TensorFlow 2.x da origem, será possível substituir "tflite_convert" por "bazel run //tensorflow/lite/python:tflite_convert --" nas seções a seguir e, se você tiver instalado o TensorFlow 1.x, consulte o GitHub (referência, exemplos)):

tflite_convert: para visualizar todas as sinalizações disponíveis, use o seguinte comando:

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

Converter um SavedModel 

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

Converter um modelo Keras H5 

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite

A seguir

  • Adicione metadados para facilitar a criação de um código do wrapper específico da plataforma durante a implantação de modelos em dispositivos.
  • Use o interpretador do TensorFlow Lite para executar a inferência em um dispositivo cliente (por exemplo, dispositivo móvel, incorporado).