این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English
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.
اشیاء را در زمان واقعی از یک منبع تغذیه دوربین با یک مدل MobileNet ردیابی کنید.
Answer any questions related to a given text with a MobileBERT model.
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.
A quick start tutorial for Android. Train a flower classification model and deploy it to an Android application.
یک آموزش شروع سریع برای IOS. یک مدل طبقه بندی گل را آموزش داده و آن را به یک برنامه iOS مستقر کنید.
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.
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.
بیاموزید که چگونه از TensorFlow Lite Model Maker استفاده کنید تا به سرعت مدل های طبقه بندی تصویر ایجاد شود.
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 زمان واقعی را با استفاده از تصاویر پخش شده از دوربین Pi انجام دهید.
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.
یک مدل گفتار کوچک را آموزش دهید که بتواند کلمات کلیدی ساده را تشخیص دهد.
با استفاده از داده های شتاب سنج ، مدلی را آموزش دهید که بتواند حرکات مختلف را تشخیص دهد.

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:

برای آخرین به روز رسانی در وبلاگ TensorFlow ، کانال YouTube و توییتر مشترک شوید.