Getting Started
TensorFlow Lite is an open-source deep learning framework to run TensorFlow models on-device. If you are new to TensorFlow Lite, we recommend that you first explore the pre-trained models and run the example apps below on a real device to see what TensorFlow Lite can do.تشخیص شی
اشیاء را در زمان واقعی از یک منبع تغذیه دوربین با یک مدل MobileNet ردیابی کنید.Question and Answer
Answer any questions related to a given text with a MobileBERT model.برای توسعه دهندگان تلفن همراه
اگر یک توسعه دهنده تلفن همراه و بدون تجربه زیادی در زمینه یادگیری ماشین و TensorFlow هستید ، می توانید با یادگیری نحوه آموزش یک مدل و استقرار به یک برنامه تلفن همراه با TensorFlow Lite Model Maker شروع به کار کنید.Recognize flowers on Android
A quick start tutorial for Android. Train a flower classification model and deploy it to an Android application.گلها را در iOS تشخیص دهید
یک آموزش شروع سریع برای IOS. یک مدل طبقه بندی گل را آموزش داده و آن را به یک برنامه iOS مستقر کنید.For model creators
If you are already familiar with TensorFlow and interested in deploying to edge devices, then you can start with the below tutorial to learn how to convert a TensorFlow model to TensorFlow Lite format and optimize it for on-device inference.رقم های دست نوشته را تشخیص دهید
یک آموزش سریع پایان به پایان برای تبدیل و بهینه سازی یک مدل TensorFlow برای استنتاج روی دستگاه ، و سپس آن را به یک برنامه آندروید مستقر کنید.انتقال یادگیری برای طبقه بندی تصویر
بیاموزید که چگونه از TensorFlow Lite Model Maker استفاده کنید تا به سرعت مدل های طبقه بندی تصویر ایجاد شود.برای توسعه دهندگان IoT
اگر علاقمند به استقرار یک مدل TensorFlow به دستگاه های IoT مبتنی بر لینوکس مانند Raspberry Pi هستید ، می توانید این آموزش ها را در مورد نحوه اجرای وظایف بینایی رایانه در دستگاه های IoT امتحان کنید.طبقه بندی تصویر در Raspberry Pi
طبقه بندی تصویر در زمان واقعی را با استفاده از تصاویر پخش شده از دوربین Pi انجام دهید.Object Detection on Raspberry Pi
Perform real-time object detection using images streamed from the Pi Camera.
اگر علاقه مند به استقرار یک مدل TensorFlow به میکروکنترلرهایی هستید که منابع بسیار بیشتری را محدود می کنند ، می توانید با این آموزش هایی که یک روند کار پایان به پایان را از توسعه یک مدل TensorFlow به تبدیل به یک قالب TensorFlow Lite و اعزام به آن شروع کنید. میکروکنترلر با TensorFlow Lite Micro.
تشخیص کلید واژه
یک مدل گفتار کوچک را آموزش دهید که بتواند کلمات کلیدی ساده را تشخیص دهد.تشخیص حرکت
با استفاده از داده های شتاب سنج ، مدلی را آموزش دهید که بتواند حرکات مختلف را تشخیص دهد.مراحل بعدی
بعد از اینکه خود را با گردش کار آموزش یک مدل TensorFlow ، تبدیل آن به قالب TensorFlow Lite و استقرار آن در برنامه های موبایل آشنا کردید ، می توانید با مطالب زیر با TensorFlow Lite اطلاعات بیشتری کسب کنید:
- آموزش های دامنه مختلف (مانند دید ، گفتار) را از نوار پیمایش در سمت چپ امتحان کنید. آنها به شما نشان می دهند که چگونه می توانید یک مدل را برای یک کار خاص یادگیری ماشین ، مانند تشخیص شی یا آنالیز احساسات ، آموزش دهید .
- درباره راهنمای گردش توسعه در راهنمای TensorFlow Lite اطلاعات بیشتری کسب کنید. می توانید اطلاعات عمیق در مورد ویژگی های TensorFlow Lite مانند تبدیل مدل یا بهینه سازی مدل پیدا کنید .
- این دوره رایگان آموزش الکترونیکی را در TensorFlow Lite ببینید.
وبلاگ ها و فیلم ها
برای آخرین به روز رسانی در وبلاگ TensorFlow ، کانال YouTube و توییتر مشترک شوید.