Créateur de modèles TensorFlow Lite

Aperçu

La bibliothèque TensorFlow Lite Model Maker simplifie le processus de formation d'un modèle TensorFlow Lite à l'aide d'un ensemble de données personnalisé. Il utilise l'apprentissage par transfert pour réduire la quantité de données de formation requises et raccourcir le temps de formation.

Tâches prises en charge

La bibliothèque Model Maker prend actuellement en charge les tâches ML suivantes. Cliquez sur les liens ci-dessous pour obtenir des guides sur la façon de former le modèle.

Tâches prises en charge Utilitaire de tâche
Classification des images : tutoriel , API Classez les images dans des catégories prédéfinies.
Détection d'objets : tutoriel , api Détecter les objets en temps réel.
Classification de texte : tutoriel , api Classez le texte dans des catégories prédéfinies.
Réponse à la question BERT : tutoriel , API Trouvez la réponse dans un certain contexte pour une question donnée avec BERT.
Classification audio : tutoriel , API Classez l'audio dans des catégories prédéfinies.
Recommandation : démo , api Recommandez des éléments en fonction des informations de contexte pour le scénario sur l'appareil.
Chercheur : tutoriel , API Rechercher un texte ou une image similaire dans une base de données.

Si vos tâches ne sont pas prises en charge, veuillez d'abord utiliser TensorFlow pour recycler un modèle TensorFlow avec apprentissage par transfert (en suivant des guides tels que des images , du texte , de l'audio ) ou entraînez-le à partir de zéro, puis convertissez -le en modèle TensorFlow Lite.

Exemple de bout en bout

Model Maker vous permet de former un modèle TensorFlow Lite à l'aide d'ensembles de données personnalisés en quelques lignes de code seulement. Par exemple, voici les étapes pour entraîner un modèle de classification d'images.

from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader

# Load input data specific to an on-device ML app.
data = DataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)

# Customize the TensorFlow model.
model = image_classifier.create(train_data)

# Evaluate the model.
loss, accuracy = model.evaluate(test_data)

# Export to Tensorflow Lite model and label file in `export_dir`.
model.export(export_dir='/tmp/')

Pour plus de détails, consultez le guide de classification des images .

Installation

Il existe deux façons d'installer Model Maker.

  • Installez un package pip prédéfini.
pip install tflite-model-maker

Si vous souhaitez installer la version nocturne, veuillez suivre la commande :

pip install tflite-model-maker-nightly
  • Clonez le code source de GitHub et installez.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker dépend du package TensorFlow pip . Pour les pilotes GPU, veuillez vous référer au guide GPU ou au guide d' installation de TensorFlow.

Référence de l'API Python

Vous pouvez découvrir les API publiques de Model Maker dans API reference .