總覽
TensorFlow Lite Model Maker 程式庫簡化了使用自訂資料集訓練 TensorFlow Lite 模型的流程。它使用遷移學習來減少所需的訓練資料量並縮短訓練時間。
支援的工作
Model Maker 程式庫目前支援下列 ML 工作。按一下下方連結，取得如何訓練模型的指南。
| 支援的工作 | 工作公用程式 |
|---|---|
| 圖片分類：教學課程、API | 將圖片分類到預先定義的類別。 |
| 物件偵測：教學課程、API | 即時偵測物件。 |
| 文字分類：教學課程、API | 將文字分類到預先定義的類別。 |
| BERT 問題解答：教學課程、API | 在特定情境中尋找指定問題的答案 (使用 BERT)。 |
| 音訊分類：教學課程、API | 將音訊分類到預先定義的類別。 |
| 推薦：範例、API | 根據裝置端情境的背景資訊推薦項目。 |
| 搜尋器：教學課程、API | 在資料庫中搜尋相似的文字或圖片。 |
如果您的工作未受支援，請先使用 TensorFlow 透過遷移學習重新訓練 TensorFlow 模型 (遵循類似 圖片、文字、音訊 等指南)，或從頭開始訓練，然後轉換為 TensorFlow Lite 模型。
端對端範例
Model Maker 可讓您僅需幾行程式碼，即可使用自訂資料集訓練 TensorFlow Lite 模型。例如，以下是訓練圖片分類模型的步驟。
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/')
如需更多詳細資訊，請參閱圖片分類指南。
安裝
有兩種方式可以安裝 Model Maker。
- 安裝預先建構的 pip 套件。
pip install tflite-model-maker
如果您想安裝每夜版，請按照下列指令操作
pip install tflite-model-maker-nightly
- 從 GitHub 複製原始碼並安裝。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker 依賴 TensorFlow pip 套件。如需 GPU 驅動程式，請參閱 TensorFlow 的GPU 指南或安裝指南。
Python API 參考資料
您可以在API 參考資料中找到 Model Maker 的公開 API。