O TensorFlow Lite usa modelos do TensorFlow convertidos em um formato de modelo de aprendizado de máquina (ML) menor e mais eficiente. Você pode usar modelos pré-treinados com o TensorFlow Lite, modificar modelos existentes ou criar seus próprios modelos do TensorFlow e convertê-los para o formato do TensorFlow Lite. Os modelos do TensorFlow Lite podem executar praticamente qualquer tarefa que um modelo normal do TensorFlow pode fazer: detecção de objetos, processamento de linguagem natural, reconhecimento de padrões e muito mais usando uma ampla variedade de dados de entrada, incluindo imagens, vídeo, áudio e texto.

Vá para a seção Converter para obter informações sobre como executar seu modelo com o TensorFlow Lite.
Para obter orientação sobre como obter modelos para seu caso de uso, continue lendo .

Você não precisa criar um modelo do TensorFlow Lite para começar a usar o aprendizado de máquina em dispositivos móveis ou de borda. Muitos modelos já construídos e otimizados estão disponíveis para você usar imediatamente em sua aplicação. Você pode começar usando modelos pré-treinados no TensorFlow Lite e avançar para a criação de modelos personalizados ao longo do tempo, da seguinte maneira:

  1. Comece a desenvolver recursos de aprendizado de máquina com modelos já treinados.
  2. Modifique os modelos existentes do TensorFlow Lite usando ferramentas como Model Maker .
  3. Crie um modelo personalizado com as ferramentas do TensorFlow e converta -o para o TensorFlow Lite.

Se você estiver tentando implementar rapidamente recursos ou tarefas de utilitário com aprendizado de máquina, revise os casos de uso compatíveis com o ML Kit antes de iniciar o desenvolvimento com o TensorFlow Lite. Essa ferramenta de desenvolvimento fornece APIs que você pode chamar diretamente de aplicativos móveis para concluir tarefas comuns de ML, como leitura de código de barras e tradução no dispositivo. Usar este método pode ajudá-lo a obter resultados rapidamente. No entanto, o ML Kit tem opções limitadas para estender seus recursos. Para obter mais informações, consulte a documentação do desenvolvedor do ML Kit .


Se construir um modelo personalizado para seu caso de uso específico for seu objetivo final, comece desenvolvendo e treinando um modelo do TensorFlow ou estendendo um já existente. Antes de iniciar o processo de desenvolvimento do modelo, você deve estar ciente das restrições dos modelos do TensorFlow Lite e criar seu modelo com estas restrições em mente:

  • Recursos de computação limitados - Em comparação com servidores totalmente equipados com várias CPUs, alta capacidade de memória e processadores especializados, como GPUs e TPUs, os dispositivos móveis e de borda são muito mais limitados e os modelos e dados que você pode processar efetivamente com eles são limitados.
  • Tamanho dos modelos - A complexidade geral de um modelo, incluindo lógica de pré-processamento de dados e o número de camadas no modelo, aumenta o tamanho da memória de um modelo. Um modelo grande pode rodar inaceitavelmente lento ou simplesmente não caber na memória disponível de um dispositivo móvel ou de borda.
  • Tamanho dos dados - O tamanho dos dados de entrada que podem ser processados ​​com eficiência com um modelo de aprendizado de máquina é limitado em um dispositivo móvel ou de borda. Modelos que usam grandes bibliotecas de dados, como bibliotecas de idiomas, bibliotecas de imagens ou bibliotecas de videoclipes, podem não caber nesses dispositivos e podem exigir armazenamento fora do dispositivo e soluções de acesso.
  • Operações com suporte do TensorFlow - os ambientes de tempo de execução do TensorFlow Lite oferecem suporte a um número menor de operações do modelo de aprendizado de máquina em comparação com os modelos normais do TensorFlow. Ao desenvolver um modelo para uso com o TensorFlow Lite, você deve acompanhar a compatibilidade do seu modelo com os recursos dos ambientes de tempo de execução do TensorFlow Lite.

Para obter mais informações sobre a criação de modelos eficazes, compatíveis e de alto desempenho para o TensorFlow Lite, consulte Práticas recomendadas de desempenho .

Saiba como escolher um modelo de ML pré-treinado para usar com o TensorFlow Lite.
Use o Model Maker do TensorFlow Lite para modificar modelos usando seus dados de treinamento.
Saiba como criar modelos personalizados do TensorFlow para usar com o TensorFlow Lite.