Asista al Simposio Mujeres en ML el 7 de diciembre Regístrese ahora

Creador de modelos TensorFlow Lite

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Visión de conjunto

La biblioteca TensorFlow Lite Model Maker simplifica el proceso de entrenamiento de un modelo de TensorFlow Lite con un conjunto de datos personalizado. Utiliza el aprendizaje por transferencia para reducir la cantidad de datos de entrenamiento requeridos y acortar el tiempo de entrenamiento.

Tareas admitidas

La biblioteca Model Maker actualmente admite las siguientes tareas de ML. Haga clic en los enlaces a continuación para obtener guías sobre cómo entrenar el modelo.

Tareas admitidas Utilidad de tareas
Clasificación de imágenes: tutorial , api Clasifica las imágenes en categorías predefinidas.
Detección de objetos: tutorial , api Detecta objetos en tiempo real.
Clasificación de texto: tutorial , api Clasifica el texto en categorías predefinidas.
BERT Pregunta Respuesta: tutorial , api Encuentre la respuesta en un contexto determinado para una pregunta dada con BERT.
Clasificación de audio: tutorial , api Clasifique el audio en categorías predefinidas.
Recomendación: demostración , API Recomiende elementos según la información de contexto para el escenario en el dispositivo.
Buscador: tutorial , api Busque texto o imagen similar en una base de datos.

Si sus tareas no son compatibles, primero use TensorFlow para volver a entrenar un modelo de TensorFlow con transferencia de aprendizaje (siguiendo guías como imágenes , texto , audio ) o entrénelo desde cero y luego conviértalo al modelo TensorFlow Lite.

Ejemplo de extremo a extremo

Model Maker le permite entrenar un modelo de TensorFlow Lite usando conjuntos de datos personalizados en solo unas pocas líneas de código. Por ejemplo, estos son los pasos para entrenar un modelo de clasificación de imágenes.

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/')

Para más detalles, consulte la guía de clasificación de imágenes .

Instalación

Hay dos formas de instalar Model Maker.

  • Instale un paquete pip precompilado.
pip install tflite-model-maker

Si desea instalar la versión nocturna, siga el comando:

pip install tflite-model-maker-nightly
  • Clona el código fuente de GitHub e instálalo.
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker depende del paquete pip de TensorFlow. Para los controladores de GPU, consulte la guía de GPU o la guía de instalación de TensorFlow.

Referencia de la API de Python

Puede encontrar las API públicas de Model Maker en Referencia de API .