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 النماذج 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 .

بناء نماذج 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:

• قدرات حسابية محدودة
• حجم النماذج
• حجم البيانات
• عمليات TensorFlow المدعومة

لمزيد من التفاصيل حول كل من هذه القيود ، راجع موانع تصميم النموذج في نظرة عامة على بناء النموذج. لمزيد من المعلومات حول إنشاء نماذج فعالة ومتوافقة وعالية الأداء لـ TensorFlow Lite ، راجع أفضل ممارسات الأداء .

الخطوات التالية