يستخدم TensorFlow Lite نماذج TensorFlow المحولة إلى تنسيق نموذج أصغر وأكثر كفاءة للتعلم الآلي (ML). يمكنك استخدام النماذج المدربة مسبقًا مع TensorFlow Lite أو تعديل النماذج الحالية أو إنشاء نماذج TensorFlow الخاصة بك ثم تحويلها إلى تنسيق TensorFlow Lite. يمكن لنماذج TensorFlow Lite تنفيذ أي مهمة تقريبًا يمكن أن يقوم بها نموذج TensorFlow العادي: اكتشاف الكائن ومعالجة اللغة الطبيعية والتعرف على الأنماط والمزيد باستخدام مجموعة واسعة من بيانات الإدخال بما في ذلك الصور والفيديو والصوت والنص.

تعلم خارطة الطريق

احصل على نماذج لـ TensorFlow Lite

لا يتعين عليك إنشاء نموذج TensorFlow Lite لبدء استخدام التعلم الآلي على الأجهزة المحمولة أو الأجهزة المتطورة. تتوفر العديد من الطرز المبنية والمحسّنة بالفعل لاستخدامها على الفور في تطبيقك. يمكنك البدء باستخدام النماذج المدربة مسبقًا في TensorFlow Lite والانتقال إلى إنشاء نماذج مخصصة بمرور الوقت ، على النحو التالي:

1. ابدأ في تطوير ميزات التعلم الآلي باستخدام نماذج مدربة بالفعل.
2. قم بتعديل نماذج TensorFlow Lite الحالية باستخدام أدوات مثل Model Maker .
3. أنشئ نموذجًا مخصصًا باستخدام أدوات TensorFlow ثم قم بتحويله إلى TensorFlow Lite.

استخدام النماذج للمهام السريعة: ML Kit

إذا كنت تحاول تنفيذ ميزات أو مهام الأداة بسرعة باستخدام التعلم الآلي ، فيجب عليك مراجعة حالات الاستخدام التي تدعمها ML Kit قبل بدء التطوير باستخدام TensorFlow Lite. توفر أداة التطوير هذه واجهات برمجة تطبيقات يمكنك الاتصال بها مباشرة من تطبيقات الأجهزة المحمولة لإكمال مهام ML الشائعة مثل مسح الرمز الشريطي والترجمة على الجهاز. يمكن أن يساعدك استخدام هذه الطريقة في الحصول على النتائج بسرعة. ومع ذلك ، فإن ML Kit لديها خيارات محدودة لتوسيع قدراتها. لمزيد من المعلومات ، راجع وثائق مطور ML Kit .

نماذج البناء لتطبيقك: القيود

إذا كان إنشاء نموذج مخصص لحالة الاستخدام الخاصة بك هو هدفك النهائي ، فيجب أن تبدأ بتطوير نموذج TensorFlow وتدريبه أو توسيع نموذج موجود. قبل أن تبدأ عملية تطوير النموذج ، يجب أن تكون على دراية بالقيود المفروضة على نماذج TensorFlow Lite وبناء نموذجك مع مراعاة هذه القيود:

• إمكانات الحوسبة المحدودة - بالمقارنة مع الخوادم المجهزة تجهيزًا كاملاً مع وحدات المعالجة المركزية المتعددة وسعة الذاكرة العالية والمعالجات المتخصصة مثل وحدات معالجة الرسومات (GPU) و (TPU) ، فإن الأجهزة المحمولة والأجهزة الطرفية محدودة للغاية ، والنماذج والبيانات التي يمكنك معالجتها بفعالية محدودة.
• حجم النماذج - يزيد التعقيد الكلي للنموذج ، بما في ذلك منطق المعالجة المسبقة للبيانات وعدد الطبقات في النموذج ، من الحجم داخل الذاكرة للنموذج. قد يعمل النموذج الكبير ببطء غير مقبول أو قد لا يتناسب ببساطة مع الذاكرة المتاحة لجهاز محمول أو جهاز حافة.
• حجم البيانات - يقتصر حجم بيانات الإدخال التي يمكن معالجتها بفعالية باستخدام نموذج التعلم الآلي على الأجهزة المحمولة أو الأجهزة المتطورة. قد لا تتناسب النماذج التي تستخدم مكتبات البيانات الكبيرة مثل مكتبات اللغات أو مكتبات الصور أو مكتبات مقاطع الفيديو مع هذه الأجهزة ، وقد تتطلب حلولًا للتخزين والوصول خارج الجهاز.
• عمليات TensorFlow المدعومة - تدعم بيئات وقت تشغيل TensorFlow Lite عددًا أقل من عمليات نماذج التعلم الآلي مقارنة بنماذج TensorFlow العادية. أثناء قيامك بتطوير نموذج للاستخدام مع TensorFlow Lite ، يجب عليك تتبع توافق النموذج الخاص بك مقابل إمكانيات بيئات وقت تشغيل TensorFlow Lite.

لمزيد من المعلومات حول بناء نماذج فعالة ومتوافقة وعالية الأداء لـ TensorFlow Lite ، راجع أفضل ممارسات الأداء .

الخطوات التالية