TensorFlow Lite usa modelos de TensorFlow convertidos en un formato de modelo de aprendizaje automático (ML) más pequeño y eficiente. Puede usar modelos previamente entrenados con TensorFlow Lite, modificar modelos existentes o crear sus propios modelos de TensorFlow y luego convertirlos al formato de TensorFlow Lite. Los modelos de TensorFlow Lite pueden realizar casi cualquier tarea que pueda realizar un modelo de TensorFlow normal: detección de objetos, procesamiento de lenguaje natural, reconocimiento de patrones y más utilizando una amplia gama de datos de entrada, incluidas imágenes, video, audio y texto.

Pase a la sección Convertir para obtener información sobre cómo hacer que su modelo se ejecute con TensorFlow Lite.
Para obtener orientación sobre cómo obtener modelos para su caso de uso, siga leyendo .

No es necesario que cree un modelo de TensorFlow Lite para comenzar a usar el aprendizaje automático en dispositivos móviles o perimetrales. Muchos modelos ya construidos y optimizados están disponibles para que los use de inmediato en su aplicación. Puede comenzar con el uso de modelos previamente entrenados en TensorFlow Lite y pasar a crear modelos personalizados con el tiempo, de la siguiente manera:

  1. Comience a desarrollar funciones de aprendizaje automático con modelos ya entrenados.
  2. Modifique los modelos existentes de TensorFlow Lite con herramientas como Model Maker .
  3. Cree un modelo personalizado con las herramientas de TensorFlow y luego conviértalo a TensorFlow Lite.

Si está tratando de implementar rápidamente funciones o tareas de utilidad con aprendizaje automático, debe revisar los casos de uso compatibles con ML Kit antes de comenzar el desarrollo con TensorFlow Lite. Esta herramienta de desarrollo proporciona API a las que puede llamar directamente desde aplicaciones móviles para completar tareas comunes de ML, como el escaneo de códigos de barras y la traducción en el dispositivo. El uso de este método puede ayudarlo a obtener resultados rápidamente. Sin embargo, ML Kit tiene opciones limitadas para ampliar sus capacidades. Para obtener más información, consulte la documentación para desarrolladores del kit ML .


Si su objetivo final es crear un modelo personalizado para su caso de uso específico, debe comenzar con el desarrollo y la capacitación de un modelo de TensorFlow o la ampliación de uno existente. Antes de comenzar el proceso de desarrollo de su modelo, debe tener en cuenta las restricciones de los modelos de TensorFlow Lite y crear su modelo teniendo en cuenta estas restricciones:

  • Capacidades informáticas limitadas : en comparación con los servidores totalmente equipados con varias CPU, alta capacidad de memoria y procesadores especializados, como GPU y TPU, los dispositivos móviles y periféricos son mucho más limitados, y los modelos y los datos que puede procesar de manera efectiva con ellos son limitados.
  • Tamaño de los modelos : la complejidad general de un modelo, incluida la lógica de preprocesamiento de datos y la cantidad de capas en el modelo, aumenta el tamaño en memoria de un modelo. Un modelo grande puede funcionar con una lentitud inaceptable o simplemente no cabe en la memoria disponible de un dispositivo móvil o de borde.
  • Tamaño de los datos : el tamaño de los datos de entrada que se pueden procesar de manera efectiva con un modelo de aprendizaje automático está limitado en un dispositivo móvil o de borde. Es posible que los modelos que utilizan grandes bibliotecas de datos, como bibliotecas de idiomas, bibliotecas de imágenes o bibliotecas de videoclips, no se ajusten a estos dispositivos y pueden requerir soluciones de almacenamiento y acceso fuera del dispositivo.
  • Operaciones de TensorFlow admitidas : los entornos de tiempo de ejecución de TensorFlow Lite admiten una cantidad menor de operaciones de modelo de aprendizaje automático en comparación con los modelos de TensorFlow regulares. A medida que desarrolla un modelo para usar con TensorFlow Lite, debe realizar un seguimiento de la compatibilidad de su modelo con las capacidades de los entornos de tiempo de ejecución de TensorFlow Lite.

Para obtener más información sobre la creación de modelos efectivos, compatibles y de alto rendimiento para TensorFlow Lite, consulta Mejores prácticas de rendimiento .

Aprende a elegir un modelo de ML preentrenado para usar con TensorFlow Lite.
Usa TensorFlow Lite Model Maker para modificar modelos usando tus datos de entrenamiento.
Aprenda a crear modelos personalizados de TensorFlow para usar con TensorFlow Lite.