Bergabunglah dengan TensorFlow di Google I/O, 11-12 Mei Daftar sekarang

TensorFlow Lite menggunakan model TensorFlow yang diubah menjadi format model machine learning (ML) yang lebih kecil dan lebih efisien. Anda dapat menggunakan model terlatih dengan TensorFlow Lite, memodifikasi model yang ada, atau membuat model TensorFlow Anda sendiri, lalu mengonversinya ke format TensorFlow Lite. Model TensorFlow Lite dapat melakukan hampir semua tugas yang dapat dilakukan oleh model TensorFlow biasa: deteksi objek, pemrosesan bahasa alami, pengenalan pola, dan lainnya menggunakan berbagai data masukan termasuk gambar, video, audio, dan teks.

Lewati ke bagian Konversi untuk informasi tentang menjalankan model Anda dengan TensorFlow Lite.
Untuk panduan mendapatkan model untuk kasus penggunaan Anda, teruskan membaca .

Anda tidak perlu membuat model TensorFlow Lite untuk mulai menggunakan pembelajaran mesin di perangkat seluler atau edge. Banyak model yang sudah dibuat dan dioptimalkan tersedia untuk Anda gunakan langsung di aplikasi Anda. Anda dapat mulai menggunakan model yang telah dilatih sebelumnya di TensorFlow Lite dan beralih ke pembuatan model khusus dari waktu ke waktu, sebagai berikut:

  1. Mulai kembangkan fitur machine learning dengan model yang sudah terlatih.
  2. Ubah model TensorFlow Lite yang ada menggunakan alat seperti Model Maker .
  3. Buat model kustom dengan alat TensorFlow, lalu konversikan ke TensorFlow Lite.

Jika Anda mencoba mengimplementasikan fitur atau tugas utilitas dengan cepat dengan machine learning, Anda harus meninjau kasus penggunaan yang didukung oleh ML Kit sebelum memulai pengembangan dengan TensorFlow Lite. Alat pengembangan ini menyediakan API yang dapat Anda panggil langsung dari aplikasi seluler untuk menyelesaikan tugas ML umum seperti pemindaian kode batang dan terjemahan di perangkat. Menggunakan metode ini dapat membantu Anda mendapatkan hasil dengan cepat. Namun, ML Kit memiliki opsi terbatas untuk memperluas kemampuannya. Untuk informasi selengkapnya, lihat dokumentasi pengembang ML Kit .


Jika membuat model kustom untuk kasus penggunaan spesifik Anda adalah tujuan akhir Anda, Anda harus mulai dengan mengembangkan dan melatih model TensorFlow atau memperluas yang sudah ada. Sebelum memulai proses pengembangan model, Anda harus mengetahui batasan untuk model TensorFlow Lite dan membuat model dengan mempertimbangkan batasan berikut:

  • Kemampuan komputasi terbatas - Dibandingkan dengan server yang lengkap dengan beberapa CPU, kapasitas memori tinggi, dan prosesor khusus seperti GPU dan TPU, perangkat seluler dan edge jauh lebih terbatas, dan model serta data yang dapat Anda proses secara efektif dengan perangkat tersebut terbatas.
  • Ukuran model - Kompleksitas keseluruhan model, termasuk logika pra-pemrosesan data dan jumlah lapisan dalam model, meningkatkan ukuran model dalam memori. Model besar mungkin berjalan sangat lambat atau mungkin tidak muat di memori perangkat seluler atau edge yang tersedia.
  • Ukuran data - Ukuran data input yang dapat diproses secara efektif dengan model pembelajaran mesin terbatas pada perangkat seluler atau edge. Model yang menggunakan pustaka data besar seperti pustaka bahasa, pustaka gambar, atau pustaka klip video mungkin tidak muat di perangkat ini, dan mungkin memerlukan penyimpanan di luar perangkat dan solusi akses.
  • Operasi TensorFlow yang didukung - Lingkungan runtime TensorFlow Lite mendukung jumlah operasi model pembelajaran mesin yang lebih sedikit dibandingkan dengan model TensorFlow biasa. Saat Anda mengembangkan model untuk digunakan dengan TensorFlow Lite, Anda harus melacak kompatibilitas model Anda dengan kemampuan lingkungan runtime TensorFlow Lite.

Untuk informasi selengkapnya tentang pembuatan model yang efektif, kompatibel, dan berkinerja tinggi untuk TensorFlow Lite, lihat Praktik terbaik kinerja .

Pelajari cara memilih model ML terlatih untuk digunakan dengan TensorFlow Lite.
Gunakan TensorFlow Lite Model Maker untuk memodifikasi model menggunakan data pelatihan Anda.
Pelajari cara membuat model TensorFlow kustom untuk digunakan dengan TensorFlow Lite.