TensorFlow Lite wykorzystuje modele TensorFlow przekonwertowane na mniejszy, bardziej wydajny format modelu uczenia maszynowego (ML). Możesz używać wstępnie wytrenowanych modeli z TensorFlow Lite, modyfikować istniejące modele lub budować własne modele TensorFlow, a następnie konwertować je do formatu TensorFlow Lite. Modele TensorFlow Lite mogą wykonać prawie każde zadanie, które może wykonać zwykły model TensorFlow: wykrywanie obiektów, przetwarzanie języka naturalnego, rozpoznawanie wzorców i wiele innych przy użyciu szerokiego zakresu danych wejściowych, w tym obrazów, wideo, audio i tekstu.

Przejdź do sekcji Konwertuj , aby uzyskać informacje na temat uruchamiania modelu z TensorFlow Lite.
Aby uzyskać wskazówki dotyczące pobierania modeli do przypadku użycia, czytaj dalej .

Nie musisz budować modelu TensorFlow Lite, aby zacząć korzystać z uczenia maszynowego na urządzeniach mobilnych lub brzegowych. Wiele już zbudowanych i zoptymalizowanych modeli jest dostępnych do natychmiastowego użycia w aplikacji. Możesz zacząć od używania wstępnie wytrenowanych modeli w TensorFlow Lite i z czasem przejść do tworzenia niestandardowych modeli w następujący sposób:

  1. Rozpocznij opracowywanie funkcji uczenia maszynowego z już wytrenowanymi modelami.
  2. Modyfikuj istniejące modele TensorFlow Lite za pomocą narzędzi takich jak Model Maker .
  3. Zbuduj niestandardowy model za pomocą narzędzi TensorFlow, a następnie przekonwertuj go na TensorFlow Lite.

Jeśli próbujesz szybko zaimplementować funkcje lub zadania użytkowe za pomocą uczenia maszynowego, powinieneś przejrzeć przypadki użycia obsługiwane przez ML Kit przed rozpoczęciem programowania z TensorFlow Lite. To narzędzie programistyczne udostępnia interfejsy API, które można wywoływać bezpośrednio z aplikacji mobilnych, aby wykonywać typowe zadania ML, takie jak skanowanie kodów kreskowych i tłumaczenie na urządzeniu. Korzystanie z tej metody może pomóc w szybkim uzyskaniu wyników. Jednak ML Kit ma ograniczone możliwości rozszerzenia swoich możliwości. Aby uzyskać więcej informacji, zobacz dokumentację dla programistów ML Kit .


Jeśli ostatecznym celem jest zbudowanie niestandardowego modelu dla konkretnego przypadku użycia, powinieneś zacząć od opracowania i przeszkolenia modelu TensorFlow lub rozszerzenia istniejącego. Przed rozpoczęciem procesu opracowywania modelu należy zdawać sobie sprawę z ograniczeń modeli TensorFlow Lite i budować swój model, mając na uwadze te ograniczenia:

  • Ograniczone możliwości obliczeniowe — w porównaniu z w pełni wyposażonymi serwerami z wieloma procesorami, dużą pojemnością pamięci i wyspecjalizowanymi procesorami, takimi jak GPU i TPU, urządzenia mobilne i brzegowe są znacznie bardziej ograniczone, a modele i dane, które można za ich pomocą efektywnie przetwarzać, są ograniczone.
  • Rozmiar modeli — ogólna złożoność modelu, w tym logika wstępnego przetwarzania danych i liczba warstw w modelu, zwiększa rozmiar modelu w pamięci. Duży model może działać niedopuszczalnie wolno lub po prostu nie mieścić się w dostępnej pamięci urządzenia mobilnego lub urządzenia brzegowego.
  • Rozmiar danych — rozmiar danych wejściowych, które można skutecznie przetwarzać za pomocą modelu uczenia maszynowego, jest ograniczony na urządzeniu mobilnym lub urządzeniu brzegowym. Modele korzystające z dużych bibliotek danych, takich jak biblioteki językowe, biblioteki obrazów lub biblioteki klipów wideo, mogą nie pasować do tych urządzeń i mogą wymagać rozwiązań do przechowywania i dostępu poza urządzeniem.
  • Obsługiwane operacje TensorFlow — środowiska wykonawcze TensorFlow Lite obsługują mniejszą liczbę operacji modelu uczenia maszynowego w porównaniu ze zwykłymi modelami TensorFlow. Podczas opracowywania modelu do użytku z TensorFlow Lite należy śledzić zgodność modelu z możliwościami środowisk wykonawczych TensorFlow Lite.

Aby uzyskać więcej informacji na temat tworzenia efektywnych, zgodnych i wysokowydajnych modeli dla TensorFlow Lite, zobacz Najlepsze praktyki dotyczące wydajności .

Dowiedz się, jak wybrać przeszkolony model ML do użycia z TensorFlow Lite.
Użyj TensorFlow Lite Model Maker, aby modyfikować modele przy użyciu danych treningowych.
Dowiedz się, jak tworzyć niestandardowe modele TensorFlow do użycia z TensorFlow Lite.