Há uma variedade de modelos de código aberto já treinados que você pode usar imediatamente com o TensorFlow Lite para realizar muitas tarefas de aprendizado de máquina. O uso de modelos pré-treinados do TensorFlow Lite permite que você adicione a funcionalidade de aprendizado de máquina ao seu aplicativo de dispositivo móvel e de borda rapidamente, sem precisar criar e treinar um modelo. Este guia ajuda você a encontrar e decidir sobre modelos treinados para uso com o TensorFlow Lite.
Você pode começar a navegar nos modelos do TensorFlow Lite imediatamente com base em casos de uso gerais na seção Exemplos do TensorFlow Lite ou navegar em um conjunto maior de modelos no TensorFlow Hub .
Encontre um modelo para sua aplicação
Encontrar um modelo existente do TensorFlow Lite para seu caso de uso pode ser complicado dependendo do que você está tentando realizar. Aqui estão algumas maneiras recomendadas de descobrir modelos para uso com o TensorFlow Lite:
Por exemplo: a maneira mais rápida de encontrar e começar a usar modelos com o TensorFlow Lite é navegar na seção Exemplos do TensorFlow Lite para encontrar modelos que executam uma tarefa semelhante ao seu caso de uso. Este pequeno catálogo de exemplos fornece modelos para casos de uso comuns com explicações dos modelos e código de amostra para você começar a executá-los e usá-los.
Por tipo de entrada de dados: além de ver exemplos semelhantes ao seu caso de uso, outra maneira de descobrir modelos para seu próprio uso é considerar o tipo de dados que você deseja processar, como dados de áudio, texto, imagens ou vídeo. Os modelos de aprendizado de máquina são frequentemente projetados para uso com um desses tipos de dados, portanto, procurar modelos que lidem com o tipo de dados que você deseja usar pode ajudá-lo a restringir os modelos a serem considerados. No TensorFlow Hub , você pode usar o filtro de domínio do problema para visualizar os tipos de dados do modelo e restringir sua lista.
Veja a seguir links para modelos do TensorFlow Lite no TensorFlow Hub para casos de uso comuns:
- Modelos de classificação de imagens
- Modelos de detecção de objetos
- Modelos de classificação de texto
- Modelos de incorporação de texto
- Modelos de síntese de voz de áudio
- Modelos de incorporação de áudio
Escolha entre modelos semelhantes
Se seu aplicativo segue um caso de uso comum, como classificação de imagem ou detecção de objetos, você pode decidir entre vários modelos do TensorFlow Lite, com tamanhos binários variados, tamanho de entrada de dados, velocidade de inferência e classificações de precisão de previsão. Ao decidir entre vários modelos, você deve restringir suas opções com base primeiro em sua restrição mais limitante: tamanho do modelo, tamanho dos dados, velocidade de inferência ou precisão.
Se você não tiver certeza de qual é sua restrição mais limitante, suponha que seja o tamanho do modelo e escolha o menor modelo disponível. Escolher um modelo pequeno oferece mais flexibilidade em termos de dispositivos nos quais você pode implantar e executar o modelo com sucesso. Modelos menores também normalmente produzem inferências mais rápidas, e previsões mais rápidas geralmente criam melhores experiências para o usuário final. Modelos menores geralmente têm taxas de precisão mais baixas, portanto, talvez seja necessário escolher modelos maiores se a precisão da previsão for sua principal preocupação.
Fontes para modelos
Use a seção Exemplos do TensorFlow Lite e o TensorFlow Hub como seus primeiros destinos para encontrar e selecionar modelos para uso com o TensorFlow Lite. Essas fontes geralmente têm modelos atualizados e selecionados para uso com o TensorFlow Lite e frequentemente incluem código de amostra para acelerar seu processo de desenvolvimento.
Modelos do TensorFlow
É possível converter modelos regulares do TensorFlow para o formato TensorFlow Lite. Para obter mais informações sobre a conversão de modelos, consulte a documentação do TensorFlow Lite Converter . Você pode encontrar modelos do TensorFlow no TensorFlow Hub e no TensorFlow Model Garden .