Начиная
TensorFlow Lite - это платформа глубокого обучения с открытым исходным кодом для запуска моделей TensorFlow на устройстве. Если вы новичок в TensorFlow Lite, мы рекомендуем сначала изучить предварительно обученные модели и запустить приведенные ниже примеры приложений на реальном устройстве, чтобы увидеть, на что способен TensorFlow Lite.Object Detection
Detect objects in real time from a camera feed with a MobileNet model.Вопрос и ответ
Отвечайте на любые вопросы, связанные с заданным текстом, с помощью модели MobileBERT.Для мобильных разработчиков
Если вы мобильный разработчик без большого опыта работы с машинным обучением и TensorFlow, вы можете начать с изучения того, как обучить модель и развернуть ее в мобильном приложении с помощью TensorFlow Lite Model Maker.Recognize flowers on Android
A quick start tutorial for Android. Train a flower classification model and deploy it to an Android application.Recognize flowers on iOS
A quick start tutorial for iOS. Train a flower classification model and deploy it to an iOS application.Создателям моделей
Если вы уже знакомы с TensorFlow и заинтересованы в развертывании на периферийных устройствах, вы можете начать с приведенного ниже руководства, чтобы узнать, как преобразовать модель TensorFlow в формат TensorFlow Lite и оптимизировать ее для вывода на устройстве.Распознавайте рукописные цифры
Краткое сквозное руководство по преобразованию и оптимизации модели TensorFlow для вывода на устройстве с последующим развертыванием в приложении Android.Перенос обучения для классификации изображений
Узнайте, как использовать TensorFlow Lite Model Maker для быстрого создания моделей классификации изображений.For IoT developers
If you are interested in deploying a TensorFlow model to Linux-based IoT devices such as Raspberry Pi, then you can try out these tutorials on how to implement computer vision tasks on IoT devices.Классификация изображений на Raspberry Pi
Выполните классификацию изображений в реальном времени, используя изображения, передаваемые с камеры Pi.Обнаружение объектов на Raspberry Pi
Выполняйте обнаружение объектов в реальном времени с помощью изображений, передаваемых с камеры Pi.
If you are interested in deploying a TensorFlow model to microcontrollers which are much more resource constrained, then you can start with these tutorials that demonstrate an end-to-end workflow from developing a TensorFlow model to converting to a TensorFlow Lite format and deploying to a microcontroller with TensorFlow Lite Micro.
Hotword detection
Train a tiny speech model that can detect simple hotwords.Распознавание жеста
Обучите модель, которая может распознавать различные жесты, используя данные акселерометра.Следующие шаги
После того, как вы ознакомились с рабочим процессом обучения модели TensorFlow, ее преобразования в формат TensorFlow Lite и развертывания в мобильных приложениях, вы можете узнать больше о TensorFlow Lite из следующих материалов:
- Воспользуйтесь учебными пособиями по различным предметным областям (например, зрение, речь) на левой панели навигации. Они показывают, как обучить модель конкретной задаче машинного обучения, например обнаружению объектов или анализу настроений .
- Узнайте больше о рабочем процессе разработки в Руководстве по TensorFlow Lite. Вы можете найти подробную информацию о функциях TensorFlow Lite, таких как преобразование модели или оптимизация модели .
- Посмотрите этот бесплатный курс электронного обучения на TensorFlow Lite.
Блоги и видео
Подпишитесь на блог TensorFlow , канал YouTube и Twitter, чтобы получать последние обновления.