Google I / Oは終わりです! TensorFlowセッションに追いつくセッションを表示

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。

モバイルデバイス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、TensorFlowLiteモデルを構築する必要はありません。すでに構築および最適化されたモデルの多くは、アプリケーションですぐに使用できます。次のように、TensorFlow Liteで事前にトレーニングされたモデルの使用から始めて、時間の経過とともにカスタムモデルの構築に進むことができます。

  1. すでにトレーニングされたモデルを使用して機械学習機能の開発を開始します。
  2. ModelMakerなどのツールを使用して既存のTensorFlowLite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TensorFlowLite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キット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すことができるAPIを提供して、バーコードスキャンやデバイス上の翻訳などの一般的なMLタスクを完了します。この方法を使用すると、結果をすばやく得ることができます。ただし、MLキットには、その機能を拡張するためのオプションが制限されています。詳細については、 MLキット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、次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。

  • 限られたコンピューティング機能-複数のCPU、大容量のメモリ、GPUやTPUなどの特殊なプロセッサを備えた完全装備のサーバーと比較すると、モバイルデバイスとエッジデバイスははるかに制限されており、それらを使用して効果的に処理できるモデルとデータは制限されています。
  • モデルのサイズ-データ前処理ロジックやモデル内のレイヤー数など、モデルの全体的な複雑さにより、モデルのメモリ内サイズが増加します。大きなモデルは、実行速度が許容できないほど遅い場合や、モバイルデバイスまたはエッジデバイスの使用可能なメモリに収まらない場合があります。
  • データのサイズ-機械学習モデルで効果的に処理できる入力データのサイズは、モバイルデバイスまたはエッジデバイスで制限されます。言語ライブラリ、画像ライブラリ、ビデオクリップライブラリなどの大規模なデータライブラリを使用するモデルは、これらのデバイスに適合しない場合があり、デバイス外のストレージおよびアクセスソリューションが必要になる場合があります。
  • サポートされているTensorFlow操作-TensorFlowLiteランタイム環境は、通常のTensorFlowモデルと比較して少数の機械学習モデル操作をサポートしています。 TensorFlow Liteで使用するモデルを開発するときは、TensorFlowLiteランタイム環境の機能に対するモデルの互換性を追跡する必要があります。

TensorFlow Lite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。

TensorFlowLite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。
TensorFlowLite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。