День сообщества ML - 9 ноября! Присоединяйтесь к нам для обновления от TensorFlow, JAX, и многое другое Подробнее

Создатель моделей TensorFlow Lite

Обзор

Библиотека TensorFlow Lite Model Maker упрощает процесс обучения модели TensorFlow Lite с использованием настраиваемого набора данных. Он использует трансферное обучение, чтобы уменьшить количество требуемых обучающих данных и сократить время обучения.

Поддерживаемые задачи

Библиотека Model Maker в настоящее время поддерживает следующие задачи машинного обучения. Щелкните по ссылкам ниже, чтобы ознакомиться с инструкциями по обучению модели.

Поддерживаемые задачи Утилита задач
Классификация изображений: учебник , api Классифицируйте изображения по заранее определенным категориям.
Обнаружение объектов: руководство , api Обнаруживайте объекты в реальном времени.
Классификация текста: учебник , api Классифицируйте текст по заранее определенным категориям.
BERT Вопрос-ответ: учебник , api Найдите ответ в определенном контексте на заданный вопрос с помощью BERT.
Аудио Классификация: учебник , api Классифицируйте аудио по заранее определенным категориям.
Рекомендация: демо , api Рекомендовать элементы на основе контекстной информации для сценария на устройстве.

Если ваши задачи не поддерживаются, сначала используйте TensorFlow, чтобы переобучить модель TensorFlow с использованием передачи обучения (следуя руководствам, например, изображения , текст , аудио ) или обучить ее с нуля, а затем преобразовать ее в модель TensorFlow Lite.

Сквозной пример

Model Maker позволяет обучать модель TensorFlow Lite, используя пользовательские наборы данных, всего в нескольких строках кода. Например, вот шаги по обучению модели классификации изображений.

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/')

Дополнительные сведения см. В руководстве по классификации изображений .

Монтаж

Есть два способа установить Model Maker.

  • Установите готовый пакет pip.
pip install tflite-model-maker

Если вы хотите установить ночную версию, выполните команду:

pip install tflite-model-maker-nightly
  • Клонируйте исходный код с GitHub и установите.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker зависит от пакета pip TensorFlow. За драйверами графического процессора обратитесь к руководству по графическому процессору TensorFlow или руководству по установке .

Справочник по API Python

Вы можете найти общедоступные API Model Maker в справочнике API .