TensorFlow Lite on TensorFlow'n tarjoama kevyt ratkaisu koneoppimismallien ajamiseen mobiili- ja IoT-laitteissa. Kun TensorFlow Lite -tulkki käsittelee kohteen tunnistusmallia mobiililaitteen kameran kehyksen syötteenä, tulos sisältää tyypillisesti useita vaiheita, jotta lopulta saadaan ennusteita kuvassa olevista kohteista.
Ensinnäkin mobiililaitteen kameran syöttökehys syötetään TensorFlow Lite -tulkkiin. Tulkki esikäsittelee sitten syötetyn kuvan muuntamalla sen koneoppimismalliin sopivaan muotoon. Tämä esikäsittelyvaihe sisältää yleensä kuvan koon muuttamisen vastaamaan mallin odotettua syötekokoa, normalisoi pikseliarvot ja mahdollisesti soveltaa muita malliarkkitehtuurille ominaisia muunnoksia.
Seuraavaksi esikäsitelty kuva viedään kohteen tunnistusmallin läpi TensorFlow Lite -tulkin sisällä. Malli käsittelee kuvaa käyttämällä sen opittuja parametreja ja arkkitehtuuria luodakseen ennusteita kehyksessä olevista kohteista. Nämä ennusteet sisältävät tyypillisesti tietoja, kuten havaittujen kohteiden luokkatunnisteet, niiden sijainnit kuvassa ja kuhunkin ennusteeseen liittyvät luottamuspisteet.
Kun malli on tehnyt ennusteensa, TensorFlow Lite -tulkki tulostaa nämä tiedot jäsennellyssä muodossa, jota mallia hyödyntävä sovellus voi käyttää. Tämä tulos voi vaihdella sovelluksen erityisvaatimusten mukaan, mutta se sisältää yleensä havaitut objektiluokat, kuvan objektit ääriviivat rajaavat laatikot ja niihin liittyvät luottamuspisteet.
Jos kohteen tunnistusmalli on esimerkiksi koulutettu havaitsemaan yleisiä esineitä, kuten autoja, jalankulkijoita ja liikennemerkkejä, TensorFlow Lite -tulkin tulos saattaa sisältää ennusteita, kuten "auto", jossa on rajoitusruutu, joka määrittää auton sijainnin kuva ja luottamuspisteet, jotka osoittavat mallin varmuuden ennusteesta.
TensorFlow Lite -tulkin lähtö mobiililaitteen kameran kehystä käsittelevään objektintunnistuksen koneoppimismalliin sisältää syötekuvan esikäsittelyn, sen kuljettamisen mallin läpi johtopäätöstä varten ja ennusteiden tarjoamisen kuvassa olevista objekteista strukturoidussa muodossa. sopii jatkokäsittelyyn sovelluksella.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen EITC/AI/TFF TensorFlow -perusteet:
- Kuinka voidaan käyttää upotuskerrosta määrittämään automaattisesti oikeat akselit sanojen vektoreiden esittämiseen?
- Mikä on max poolingin tarkoitus CNN:ssä?
- Miten konvoluutiohermoverkon (CNN) piirteiden erotusprosessia sovelletaan kuvantunnistukseen?
- Onko tarpeen käyttää asynkronista oppimistoimintoa koneoppimismalleissa, jotka toimivat TensorFlow.js:ssa?
- Mikä on TensorFlow Keras Tokenizer API:n suurin sanamäärä -parametri?
- Voidaanko TensorFlow Keras Tokenizer API:ta käyttää yleisimpien sanojen löytämiseen?
- Mikä on TOCO?
- Mikä on suhde useiden aikakausien välillä koneoppimismallissa ja mallin suorittamisen ennusteen tarkkuudella?
- Tuottaako TensorFlow'n Neural Structured Learningin paketin naapurien API lisätyn harjoitustietojoukon luonnolliseen graafitietoon?
- Mikä on TensorFlow'n Neural Structured Learning -paketin naapurien API?
Katso lisää kysymyksiä ja vastauksia EITC/AI/TFF TensorFlow Fundamentalsissa