Implante modelos de machine learning em dispositivos móveis e Internet das Coisas (IoT na sigla em inglês)
O TensorFlow Lite é um framework de aprendizado profundo com código aberto para realizar inferências no próprio dispositivo.
Como funciona
Escolha um modelo
Escolha um modelo novo ou treine novamente um existente.
Converter
Converta um modelo do TensorFlow em um buffer fixo compactado com o TensorFlow Lite Converter.
Implantar
Carregue o arquivo .tflite compactado em dispositivos móveis e incorporados.
Otimizar
Converta números em vírgula flutuante de 32 bits em números inteiros de 8 bits mais eficientes para quantização ou faça a execução na GPU.
Soluções de problemas recorrentes
Conheça modelos otimizados do TF Lite e soluções de ML no dispositivo para casos de uso em dispositivos móveis e de borda.
Identifique centenas de objetos, incluindo pessoas, atividades, animais, plantas e locais.
Use um modelo de linguagem natural de última geração para responder a perguntas baseadas no conteúdo de um trecho de texto com BERT.
Participação da comunidade
Veja outras maneiras de participar da comunidade do TensorFlow.
Alguns usuários do TensorFlow Lite
Notícias e avisos
Confira nosso blog para ver mais atualizações. Inscreva-se na newsletter mensal do TensorFlow para receber os comunicados mais recentes diretamente na sua caixa de entrada.
MoveNet is the state-of-the-art pose estimation model for mobile devices which can run in realtime on modern smartphones. Learn about recent updates and how you can do custom pose classification on Android, iOS and Raspberry Pi.
Para interligar o desenvolvimento de ML para dispositivos móveis e para a Web, você pode implantar facilmente a TensorFlow Lite Task Library na Web com os recursos do WebAssembly.
The TensorFlow ecosystem enables companies like Edge Impulse to put artificial intelligence in the hands of domain experts who are building the next generation of consumer and industrial technologies.
Aprenda como treinar um modelo personalizado de detecção de objetos e como implantá-lo em um app Android com apenas algumas linhas de código. Você só precisa do Android Studio e de um navegador da Web. Não é necessário conhecimento sobre machine learning.