Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English
TensorFlow Lite ist ein Open-Source-Deep-Learning-Framework zum Ausführen von TensorFlow-Modellen auf dem Gerät. Wenn Sie TensorFlow Lite noch nicht kennen, empfehlen wir Ihnen, zunächst die vorab trainierten Modelle zu erkunden und die folgenden Beispiel-Apps auf einem realen Gerät auszuführen, um zu sehen, was TensorFlow Lite kann.
Erkennen Sie Objekte in Echtzeit aus einem Kamera-Feed mit einem MobileNet-Modell.
Beantworten Sie alle Fragen zu einem bestimmten Text mit einem MobileBERT-Modell.
If you are a mobile developer without much experience with machine learning and TensorFlow, you can start by learning how to train a model and deploy to a mobile app with TensorFlow Lite Model Maker.
Ein Schnellstart-Tutorial für Android. Trainieren Sie ein Blumenklassifizierungsmodell und stellen Sie es in einer Android-Anwendung bereit.
Ein Schnellstart-Tutorial für iOS. Trainieren Sie ein Blumenklassifizierungsmodell und stellen Sie es in einer iOS-Anwendung bereit.
Wenn Sie bereits mit TensorFlow vertraut sind und an der Bereitstellung auf Edge-Geräten interessiert sind, können Sie mit dem folgenden Tutorial beginnen, um zu erfahren, wie Sie ein TensorFlow-Modell in das TensorFlow Lite-Format konvertieren und für Inferenz auf dem Gerät optimieren.
Ein schnelles End-to-End-Tutorial zum Konvertieren und Optimieren eines TensorFlow-Modells für Inferenz auf dem Gerät, das anschließend in einer Android-App bereitgestellt wird.
Erfahren Sie, wie Sie mit TensorFlow Lite Model Maker schnell Bildklassifizierungsmodelle erstellen.
Wenn Sie ein TensorFlow-Modell auf Linux-basierten IoT-Geräten wie Raspberry Pi bereitstellen möchten, können Sie diese Tutorials zum Implementieren von Computer Vision-Aufgaben auf IoT-Geräten ausprobieren.
Führen Sie eine Echtzeit-Bildklassifizierung mit Bildern durch, die von der Pi-Kamera gestreamt wurden.
Führen Sie eine Objekterkennung in Echtzeit mit Bildern durch, die von der Pi-Kamera gestreamt wurden.
Wenn Sie ein TensorFlow-Modell auf Mikrocontrollern bereitstellen möchten, die viel mehr Ressourcen benötigen, können Sie mit diesen Tutorials beginnen, die einen End-to-End-Workflow von der Entwicklung eines TensorFlow-Modells bis zur Konvertierung in ein TensorFlow Lite-Format und der Bereitstellung in ein zeigen Mikrocontroller mit TensorFlow Lite Micro.
Train a tiny speech model that can detect simple hotwords.
Trainieren Sie ein Modell, das mithilfe von Beschleunigungsmesserdaten verschiedene Gesten erkennen kann.

Nachdem Sie sich mit dem Workflow zum Trainieren eines TensorFlow-Modells, zum Konvertieren in ein TensorFlow Lite-Format und zum Bereitstellen in mobilen Apps vertraut gemacht haben, können Sie mit den folgenden Materialien mehr über TensorFlow Lite erfahren:

  • Probieren Sie die verschiedenen Domain-Tutorials (z. B. Vision, Sprache) in der linken Navigationsleiste aus. Sie zeigen Ihnen, wie Sie ein Modell für eine bestimmte maschinelle Lernaufgabe wie Objekterkennung oder Stimmungsanalyse trainieren.
  • Weitere Informationen zum Entwicklungsworkflow finden Sie im TensorFlow Lite- Handbuch . Hier finden Sie detaillierte Informationen zu TensorFlow Lite-Funktionen wie Modellkonvertierung oder Modelloptimierung .
  • Schauen Sie sich diesen kostenlosen E-Learning-Kurs auf TensorFlow Lite an.

Abonnieren Sie den TensorFlow-Blog , den YouTube-Kanal und Twitter, um die neuesten Updates zu erhalten.