概述
TensorFlow Lite 模型制作器库简化了使用自定义数据集训练 TensorFlow Lite 模型的过程。它使用迁移学习来减少所需的训练数据量并缩短训练时间。
支持的任务
模型制作器库目前支持以下机器学习任务。单击下面的链接以获取有关如何训练模型的指南。
| 支持的任务 | 任务实用程序 |
|---|---|
| 图像分类：教程，api | 将图像分类到预定义的类别中。 |
| 目标检测：教程，api | 实时检测对象。 |
| 文本分类：教程，api | 将文本分类到预定义的类别中。 |
| BERT 问答：教程，api | 使用 BERT 在特定上下文中为给定问题找到答案。 |
| 音频分类：教程，api | 将音频分类到预定义的类别中。 |
| 推荐：演示，api | 根据设备场景的上下文信息推荐项目。 |
| 搜索器：教程，api | 在数据库中搜索类似的文本或图像。 |
如果您的任务不受支持，请首先使用 TensorFlow 使用迁移学习重新训练 TensorFlow 模型（遵循类似 图像、文本、音频 的指南）或从头开始训练，然后 转换 为 TensorFlow Lite 模型。
端到端示例
模型制作器允许您使用自定义数据集仅用几行代码训练 TensorFlow Lite 模型。例如，以下是训练图像分类模型的步骤。
from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader
# Load input data specific to an on-device ML app.
data = DataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)
# Customize the TensorFlow model.
model = image_classifier.create(train_data)
# Evaluate the model.
loss, accuracy = model.evaluate(test_data)
# Export to Tensorflow Lite model and label file in `export_dir`.
model.export(export_dir='/tmp/')
有关更多详细信息，请参阅 图像分类指南。
安装
有两种方法可以安装模型制作器。
- 安装预构建的 pip 包。
pip install tflite-model-maker
如果您想安装夜间版本，请按照以下命令操作
pip install tflite-model-maker-nightly
- 从 GitHub 克隆源代码并安装。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker 依赖于 TensorFlow 的 pip 包。有关 GPU 驱动程序，请参阅 TensorFlow 的 GPU 指南 或 安装指南。
Python API 参考
您可以在 API 参考 中找到 Model Maker 的公共 API。