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.Обнаружение объекта
Обнаруживайте объекты в реальном времени с камеры с помощью модели MobileNet.Аудио Классификация
Определите, что представляет собой звук, например, хлопки в ладоши или набор текста.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.Узнавайте цветы на Android
Краткое руководство для Android. Обучите модель классификации цветов и разверните ее в приложении для Android.Узнавайте цветы на iOS
Краткое руководство для iOS. Обучите модель классификации цветов и разверните ее в приложении для iOS.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.Узнавайте 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.Для разработчиков Интернета вещей
Если вы заинтересованы в развертывании модели TensorFlow на устройствах IoT на базе Linux, таких как Raspberry Pi, вы можете попробовать эти руководства о том, как реализовать задачи компьютерного зрения на устройствах IoT.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.
Если вы заинтересованы в развертывании модели TensorFlow на микроконтроллерах, которые имеют гораздо более ограниченные ресурсы, вы можете начать с этих руководств, которые демонстрируют сквозной рабочий процесс от разработки модели TensorFlow до преобразования в формат TensorFlow Lite и развертывания в микроконтроллер с TensorFlow Lite Micro.
Обнаружение горячих слов
Обучите крошечную модель речи, которая может распознавать простые горячие слова.Распознавание жестов
Обучите модель, которая может распознавать различные жесты, используя данные акселерометра.Следующие шаги
После того, как вы ознакомились с рабочим процессом обучения модели TensorFlow, преобразования ее 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 .
- Ознакомьтесь с этим бесплатным электронным курсом обучения на TensorFlow Lite.
Блоги и видео
Подпишитесь на блог TensorFlow , канал YouTube и Twitter, чтобы получать последние обновления.