TensorFlow Liteは、より小さく、より効率的な機械学習(ML)モデル形式に変換されたTensorFlowモデルを使用します。 TensorFlow Liteで事前トレーニング済みのモデルを使用したり、既存のモデルを変更したり、独自のTensorFlowモデルを構築してから、それらをTensorFlowLite形式に変換したりできます。 TensorFlow Liteモデルは、通常のTensorFlowモデルが実行できるほぼすべてのタスクを実行できます。オブジェクト検出、自然言語処理、パターン認識など、画像、ビデオ、オーディオ、テキストなどの幅広い入力データを使用します。

モデルをTensorFlowLiteで実行する方法については、変換セクションにスキップしてください。
ユースケースのモデルを取得するためのガイダンスについては、読み続けてください。

モバイルまたはエッジ デバイスで機械学習の使用を開始するために、TensorFlow Lite モデルを構築する必要はありません。アプリケーションですぐに使用できるように、構築済みで最適化されたモデルが多数用意されています。次のように、TensorFlow Lite で事前トレーニング済みのモデルを使用して開始し、時間をかけてカスタム モデルを構築することができます。

  1. トレーニング済みのモデルを使用して、機械学習機能の開発を開始します。
  2. Model Makerなどのツールを使用して、既存の TensorFlow Lite モデルを変更します。
  3. TensorFlow ツールを使用してカスタム モデルを構築し、それを TensorFlow Lite に変換します。

機械学習を使用して機能やユーティリティ タスクをすばやく実装しようとしている場合は、TensorFlow Lite で開発を開始する前に、 ML Kitでサポートされているユース ケースを確認する必要があります。この開発ツールは、モバイル アプリから直接呼び出して、バーコード スキャンやデバイス上での翻訳などの一般的な ML タスクを完了することができる API を提供します。この方法を使用すると、迅速に結果を得ることができます。ただし、ML Kit の機能を拡張するためのオプションは限られています。詳細については、 ML Kit開発者向けドキュメントを参照してください。


特定のユース ケース向けのカスタム モデルを構築することが最終的な目標である場合は、TensorFlow モデルの開発とトレーニング、または既存のモデルの拡張から始める必要があります。モデル開発プロセスを開始する前に、TensorFlow Lite モデルの制約を認識し、これらの制約を念頭に置いてモデルを構築する必要があります。

  • 限られた計算能力
  • モデルのサイズ
  • データのサイズ
  • サポートされている TensorFlow 操作

これらの各制約の詳細については、モデル構築の概要のモデル設計の制約を参照してください。 TensorFlow Lite 向けの効果的で互換性のある高性能モデルの構築の詳細については、パフォーマンスのベスト プラクティスを参照してください。

TensorFlow Lite で使用する事前トレーニング済みの ML モデルを選択する方法を学びます。
TensorFlow Lite Model Maker を使用して、トレーニング データを使用してモデルを変更します。
TensorFlow Lite で使用するカスタム TensorFlow モデルを構築する方法を学びます。