Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan
TensorFlow Lite adalah framework deep learning open source untuk menjalankan model TensorFlow di perangkat. Jika Anda baru mengenal TensorFlow Lite, sebaiknya Anda menjelajahi model terlatih terlebih dahulu dan menjalankan aplikasi contoh di bawah ini pada perangkat nyata untuk melihat apa yang dapat dilakukan TensorFlow Lite.
Mendeteksi objek secara real time dari umpan kamera dengan model MobileNet.
Identifikasi apa yang diwakili oleh audio, misalnya bertepuk tangan atau mengetik.
Jika Anda adalah developer seluler yang tidak memiliki banyak pengalaman dengan machine learning dan TensorFlow, Anda dapat memulai dengan mempelajari cara melatih model dan menerapkan ke aplikasi seluler dengan TensorFlow Lite Model Maker.
Tutorial memulai cepat untuk Android. Latih model klasifikasi bunga dan terapkan ke aplikasi Android.
Tutorial memulai cepat untuk iOS. Latih model klasifikasi bunga dan terapkan ke aplikasi iOS.
Jika Anda sudah terbiasa dengan TensorFlow dan tertarik untuk men-deploy ke perangkat edge, Anda dapat memulai dengan tutorial di bawah ini untuk mempelajari cara mengonversi model TensorFlow ke format TensorFlow Lite dan mengoptimalkannya untuk inferensi di perangkat.
Tutorial singkat mulai dari ujung ke ujung tentang mengonversi dan mengoptimalkan model TensorFlow untuk inferensi pada perangkat, lalu menerapkannya ke aplikasi Android.
Pelajari cara menggunakan TensorFlow Lite Model Maker untuk membuat model klasifikasi gambar dengan cepat.
Jika Anda tertarik untuk menerapkan model TensorFlow ke perangkat IoT berbasis Linux seperti Raspberry Pi, Anda dapat mencoba tutorial ini tentang cara mengimplementasikan tugas computer vision pada perangkat IoT.
Lakukan klasifikasi gambar waktu nyata menggunakan gambar yang dialirkan dari Pi Camera.
Lakukan deteksi objek waktu nyata menggunakan gambar yang dialirkan dari Kamera Pi.
Jika Anda tertarik untuk menerapkan model TensorFlow ke mikrokontroler yang sumber dayanya jauh lebih terbatas, Anda dapat memulai dengan tutorial ini yang mendemonstrasikan alur kerja ujung ke ujung dari mengembangkan model TensorFlow hingga mengonversi ke format TensorFlow Lite dan menerapkan ke mikrokontroler dengan TensorFlow Lite Micro.
Latih model ucapan kecil yang dapat mendeteksi kata cepat sederhana.
Latih model yang dapat mengenali isyarat berbeda menggunakan data akselerometer.

Setelah Anda membiasakan diri dengan alur kerja pelatihan model TensorFlow, mengonversinya menjadi format TensorFlow Lite, dan menerapkannya ke aplikasi seluler, Anda dapat mempelajari lebih lanjut tentang TensorFlow Lite dengan materi di bawah ini:

  • Cobalah tutorial domain yang berbeda (mis. Penglihatan, ucapan) dari bilah navigasi kiri. Mereka menunjukkan kepada Anda cara melatih model untuk tugas pembelajaran mesin tertentu, seperti deteksi objek atau analisis sentimen .
  • Pelajari lebih lanjut tentang alur kerja pengembangan di Panduan TensorFlow Lite. Anda dapat menemukan informasi mendalam tentang fitur TensorFlow Lite, seperti konversi model atau pengoptimalan model .
  • Lihat kursus e-learning gratis ini di TensorFlow Lite.

Berlangganan ke blog TensorFlow , saluran YouTube , dan Twitter untuk pembaruan terkini.