Przegląd
Biblioteka TensorFlow Lite Model Maker upraszcza proces uczenia modelu TensorFlow Lite przy użyciu niestandardowego zestawu danych. Wykorzystuje uczenie transferowe, aby zmniejszyć ilość wymaganych danych szkoleniowych i skrócić czas szkolenia.
Obsługiwane zadania
Biblioteka Model Maker obsługuje obecnie następujące zadania ML. Kliknij poniższe linki, aby uzyskać instrukcje dotyczące trenowania modelu.
| Obsługiwane zadania | Narzędzie zadań |
|---|---|
| Przewodnik po klasyfikacji obrazów | Klasyfikuj obrazy według predefiniowanych kategorii. |
| Przewodnik po klasyfikacji tekstu | Klasyfikuj tekst do predefiniowanych kategorii. |
| Przewodnik po odpowiedziach na pytania BERT | Znajdź odpowiedź w określonym kontekście na dane pytanie z BERT. |
Przykład od końca do końca
Model Maker umożliwia trenowanie modelu TensorFlow Lite przy użyciu niestandardowych zestawów danych w zaledwie kilku wierszach kodu. Na przykład, oto kroki, aby wytrenować model klasyfikacji obrazu.
# Load input data specific to an on-device ML app.
data = ImageClassifierDataLoader.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/')
Więcej informacji można znaleźć w przewodniku po klasyfikacji obrazów .
Instalacja
Istnieją dwa sposoby instalacji programu Model Maker.
- Zainstaluj wstępnie skompilowany pakiet pip.
pip install tflite-model-maker
Jeśli chcesz zainstalować wersję nightly, wykonaj polecenie:
pip install tflite-model-maker-nightly
- Sklonuj kod źródłowy z GitHub i zainstaluj.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .