TensorFlow Lite モデルメーカー

概要

TensorFlow Lite Model Maker ライブラリは、カスタム データセットを使用して TensorFlow Lite モデルをトレーニングするプロセスを簡素化します。転移学習を使用して、必要なトレーニング データの量を削減し、トレーニング時間を短縮します。

サポートされているタスク

Model Maker ライブラリは現在、次の ML タスクをサポートしています。モデルをトレーニングする方法のガイドについては、以下のリンクをクリックしてください。

サポートされているタスクタスクユーティリティ
画像分類:チュートリアル、 API画像を事前定義されたカテゴリに分類します。
オブジェクト検出:チュートリアル、 APIリアルタイムで物体を検出します。
テキスト分類:チュートリアル、 APIテキストを事前定義されたカテゴリに分類します。
BERT の質問の回答:チュートリアル、 API BERT を使用して、特定の質問に対する特定のコンテキストで答えを見つけます。
オーディオ分類:チュートリアル、 APIオーディオを事前定義されたカテゴリに分類します。
推奨事項:デモ、 APIデバイス上のシナリオのコンテキスト情報に基づいてアイテムを推奨します。
検索者:チュートリアル、 APIデータベース内で類似のテキストまたは画像を検索します。

タスクがサポートされていない場合は、まずTensorFlowを使用して、転移学習 ( image 、 text 、 audioなどのガイドに従って) で TensorFlow モデルを再トレーニングするか、最初からトレーニングしてから、TensorFlow Lite モデルに変換してください。

エンドツーエンドの例

Model Maker を使用すると、わずか数行のコードでカスタム データセットを使用して TensorFlow Lite モデルをトレーニングできます。たとえば、画像分類モデルをトレーニングする手順は次のとおりです。

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/')

詳細については、画像分類ガイドを参照してください。

インストール

Model Maker をインストールするには 2 つの方法があります。

  • 事前に構築された pip パッケージをインストールします。
pip install tflite-model-maker

夜間バージョンをインストールする場合は、次のコマンドに従ってください。

pip install tflite-model-maker-nightly
  • GitHub からソース コードをクローンしてインストールします。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .

TensorFlow Lite Model Maker は TensorFlow pip パッケージに依存しています。 GPU ドライバーについては、TensorFlow のGPU ガイドまたはインストール ガイドを参照してください。

Python API リファレンス

Model Maker のパブリック API については、 API リファレンスを参照してください。