TensorFlow Lite از مدل های TensorFlow استفاده می کند که به فرمت مدل یادگیری ماشینی کوچکتر و کارآمدتر (ML) تبدیل شده اند. می‌توانید از مدل‌های از پیش آموزش‌دیده‌شده با TensorFlow Lite استفاده کنید، مدل‌های موجود را اصلاح کنید، یا مدل‌های TensorFlow خود را بسازید و سپس آنها را به قالب TensorFlow Lite تبدیل کنید. مدل‌های TensorFlow Lite می‌توانند تقریباً هر کاری را که یک مدل معمولی TensorFlow می‌تواند انجام دهد، انجام دهد: تشخیص شی، پردازش زبان طبیعی، تشخیص الگو، و موارد دیگر با استفاده از طیف وسیعی از داده‌های ورودی از جمله تصاویر، ویدیو، صدا و متن.

برای اطلاعات در مورد اجرای مدل خود با TensorFlow Lite به بخش Convert بروید.
برای راهنمایی در مورد دریافت مدل های مورد استفاده خود، به خواندن ادامه دهید.

برای شروع استفاده از یادگیری ماشین در تلفن همراه یا دستگاه های لبه، لازم نیست یک مدل TensorFlow Lite بسازید. بسیاری از مدل‌های از قبل ساخته شده و بهینه‌سازی شده در دسترس شما هستند که می‌توانید فوراً در برنامه خود از آنها استفاده کنید. می توانید با استفاده از مدل های از پیش آموزش دیده در TensorFlow Lite شروع کنید و در طول زمان به ساخت مدل های سفارشی بروید، به شرح زیر:

  1. توسعه ویژگی‌های یادگیری ماشینی را با مدل‌های آموزش دیده شروع کنید.
  2. مدل های موجود TensorFlow Lite را با استفاده از ابزارهایی مانند Model Maker تغییر دهید.
  3. یک مدل سفارشی با ابزار TensorFlow بسازید و سپس آن را به TensorFlow Lite تبدیل کنید.

اگر می‌خواهید به سرعت ویژگی‌ها یا وظایف ابزاری را با یادگیری ماشین پیاده‌سازی کنید، باید موارد استفاده پشتیبانی‌شده توسط ML Kit را قبل از شروع توسعه با TensorFlow Lite مرور کنید. این ابزار توسعه API هایی را ارائه می دهد که می توانید مستقیماً از برنامه های تلفن همراه برای انجام کارهای رایج ML مانند اسکن بارکد و ترجمه روی دستگاه تماس بگیرید. استفاده از این روش می تواند به شما کمک کند تا سریع به نتیجه برسید. با این حال، ML Kit گزینه های محدودی برای گسترش قابلیت های خود دارد. برای اطلاعات بیشتر، به مستندات توسعه دهنده ML Kit مراجعه کنید.


اگر ساختن یک مدل سفارشی برای مورد استفاده خاص شما هدف نهایی شماست، باید با توسعه و آموزش یک مدل TensorFlow یا توسعه یک مدل موجود شروع کنید. قبل از شروع فرآیند توسعه مدل خود، باید از محدودیت های مدل های TensorFlow Lite آگاه باشید و مدل خود را با در نظر گرفتن این محدودیت ها بسازید:

  • قابلیت‌های محاسباتی محدود - در مقایسه با سرورهای کاملاً مجهز با چندین CPU، ظرفیت حافظه بالا و پردازنده‌های تخصصی مانند GPU و TPU، دستگاه‌های موبایل و لبه بسیار محدودتر هستند و مدل‌ها و داده‌هایی که می‌توانید به طور مؤثر با آنها پردازش کنید محدود است.
  • اندازه مدل‌ها - پیچیدگی کلی یک مدل، از جمله منطق پیش‌پردازش داده‌ها و تعداد لایه‌های مدل، اندازه حافظه یک مدل را افزایش می‌دهد. یک مدل بزرگ ممکن است به طور غیرقابل قبولی کند کار کند یا به سادگی در حافظه موجود موبایل یا دستگاه لبه قرار نگیرد.
  • اندازه داده - اندازه داده های ورودی که می تواند به طور موثر با یک مدل یادگیری ماشین پردازش شود، در یک دستگاه تلفن همراه یا لبه محدود است. مدل‌هایی که از کتابخانه‌های داده بزرگ استفاده می‌کنند، مانند کتابخانه‌های زبان، کتابخانه‌های تصویر، یا کتابخانه‌های کلیپ ویدیویی ممکن است در این دستگاه‌ها مناسب نباشند و ممکن است به راه‌حل‌های ذخیره‌سازی و دسترسی خارج از دستگاه نیاز داشته باشند.
  • عملیات پشتیبانی شده TensorFlow - محیط های زمان اجرا TensorFlow Lite از تعداد کمتری از عملیات مدل یادگیری ماشین در مقایسه با مدل های معمولی TensorFlow پشتیبانی می کنند. همانطور که مدلی را برای استفاده با TensorFlow Lite توسعه می دهید، باید سازگاری مدل خود را با قابلیت های محیط های زمان اجرا TensorFlow Lite دنبال کنید.

برای اطلاعات بیشتر ساختن مدل‌های مؤثر، سازگار و با کارایی بالا برای TensorFlow Lite، به بهترین شیوه‌های عملکرد مراجعه کنید.

نحوه انتخاب یک مدل ML از پیش آموزش دیده برای استفاده با TensorFlow Lite را بیاموزید.
از TensorFlow Lite Model Maker برای تغییر مدل ها با استفاده از داده های آموزشی خود استفاده کنید.
نحوه ساخت مدل های سفارشی TensorFlow برای استفاده با TensorFlow Lite را بیاموزید.