Panoramica
La libreria TensorFlow Lite Model Maker semplifica il processo di training di un modello TensorFlow Lite utilizzando un set di dati personalizzato. Utilizza il transfer learning per ridurre la quantità di dati di training richiesti e ridurre i tempi di training.
Attività supportate
La libreria Model Maker attualmente supporta le seguenti attività ML. Fare clic sui collegamenti seguenti per le guide su come addestrare il modello.
Attività supportate | Utilità attività |
---|---|
Classificazione immagine: tutorial , api | Classifica le immagini in categorie predefinite. |
Rilevamento oggetti: tutorial , api | Rileva oggetti in tempo reale. |
Classificazione del testo: tutorial , api | Classifica il testo in categorie predefinite. |
BERT Domanda Risposta: tutorial , api | Trova la risposta in un determinato contesto per una determinata domanda con BERT. |
Classificazione audio: tutorial , api | Classifica l'audio in categorie predefinite. |
Raccomandazione: demo , api | Consiglia elementi in base alle informazioni di contesto per lo scenario sul dispositivo. |
Ricercatore: tutorial , api | Cerca testo o immagine simile in un database. |
Se le tue attività non sono supportate, utilizza prima TensorFlow per riqualificare un modello TensorFlow con l'apprendimento del trasferimento (seguendo guide come immagini , testo , audio ) o addestralo da zero, quindi convertilo nel modello TensorFlow Lite.
Esempio end-to-end
Model Maker ti consente di addestrare un modello TensorFlow Lite utilizzando set di dati personalizzati in poche righe di codice. Ad esempio, ecco i passaggi per addestrare un modello di classificazione delle immagini.
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/')
Per maggiori dettagli, vedere la guida alla classificazione delle immagini .
Installazione
Esistono due modi per installare Model Maker.
- Installa un pacchetto pip predefinito.
pip install tflite-model-maker
Se vuoi installare la versione notturna, segui il comando:
pip install tflite-model-maker-nightly
- Clona il codice sorgente da GitHub e installa.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker dipende dal pacchetto pip TensorFlow. Per i driver GPU, fare riferimento alla guida GPU di TensorFlow o alla guida all'installazione .
Riferimento API Python
Puoi scoprire le API pubbliche di Model Maker in Riferimento API .