TensorFlow Lite es un framework de código abierto de aprendizaje profundo que se utiliza para ejecutar los modelos de TensorFlow en dispositivos. Si estos son tus primeros pasos con TensorFlow Lite, te recomendamos que primero explores los modelos previamente entrenados y ejecutes las apps de ejemplo de más abajo en un dispositivo real para conocer las posibilidades que brinda TensorFlow Lite.
Detecta objetos en tiempo real desde el feed de una cámara con un modelo de MobileNet.
Responde preguntas relacionada con un texto determinado con un modelo de MobileBERT.
Si eres un desarrollador para dispositivos móviles sin experiencia en el aprendizaje automático y TensorFlow, puedes comenzar a entrenar un modelo e implementarlo en una app para dispositivos móviles con TensorFlow Lite Model Maker.
Un instructivo inicial rápido para Android. Entrena un modelo de clasificación de flores y, luego, impleméntalo en una aplicación para Android.
Un instructivo inicial rápido para iOS. Entrena un modelo de clasificación de flores y, luego, impleméntalo en una aplicación de iOS.
Si ya estás familiarizado con TensorFlow y estás interesado en la implementación en dispositivos perimetrales, puedes comenzar con el siguiente instructivo para aprender a convertir un modelo de TensorFlow al formato de TensorFlow Lite y optimizarlo para la inferencia en el dispositivo.
Un instructivo inicial rápido de extremo a extremo sobre cómo convertir y optimizar un modelo de TensorFlow para la inferencia en el dispositivo y, luego, implementarlo en una app para Android.
Aprende a usar TensorFlow Lite Model Maker para crear rápidamente modelos de clasificación de imágenes.
Si te interesa implementar un modelo de TensorFlow en dispositivos de IoT basados en Linux, como Raspberry Pi, puedes probar estos instructivos sobre cómo implementar tareas de visión artificial en dispositivos de IoT.
Realiza una clasificación de imágenes en tiempo real con las imágenes que se transmiten desde la cámara Pi.
Realiza la detección de objetos en tiempo real con imágenes que se transmiten desde la cámara Pi.
Si te interesa implementar un modelo de TensorFlow en microcontroladores que tienen recursos mucho más limitados, puedes comenzar con estos instructivos que muestran un flujo de trabajo de extremo a extremo, desde el desarrollo de un modelo de TensorFlow hasta la conversión a un formato de TensorFlow Lite y la implementación en un microcontrolador con TensorFlow Lite Micro.
Entrena un modelo de voz pequeño que pueda detectar palabras clave simples.
Entrena un modelo que pueda reconocer diferentes gestos con datos del acelerómetro.

Después de familiarizarte con el flujo de trabajo para entrenar un modelo de TensorFlow, convertirlo a un formato de TensorFlow Lite y, luego, implementarlo en apps para dispositivos móviles, puedes obtener más información sobre TensorFlow Lite en los siguientes materiales:

Suscríbete al blog de TensorFlow, al canal de YouTube y a la cuenta de Twitter para conocer las últimas novedades.