TensorFlow Lite je lahka rešitev, ki jo ponuja TensorFlow za izvajanje modelov strojnega učenja na mobilnih napravah in napravah IoT. Ko tolmač TensorFlow Lite obdela model za prepoznavanje predmeta z okvirjem iz kamere mobilne naprave kot vhodom, izhod običajno vključuje več stopenj, da na koncu zagotovi napovedi glede predmetov, prisotnih na sliki.
Najprej se vhodni okvir iz kamere mobilne naprave vnese v tolmač TensorFlow Lite. Tolmač nato vnaprej obdela vhodno sliko tako, da jo pretvori v obliko, primerno za model strojnega učenja. Ta korak predprocesiranja običajno vključuje spreminjanje velikosti slike, da se ujema z vhodno velikostjo, ki jo pričakuje model, normalizacijo vrednosti slikovnih pik in morebitno uporabo drugih transformacij, specifičnih za arhitekturo modela.
Nato se predhodno obdelana slika prenese skozi model za prepoznavanje objektov znotraj tolmača TensorFlow Lite. Model obdela sliko z uporabo naučenih parametrov in arhitekture za ustvarjanje napovedi o predmetih, prisotnih v okvirju. Te napovedi običajno vključujejo informacije, kot so oznake razreda zaznanih predmetov, njihove lokacije na sliki in ocene zaupanja, povezane z vsako napovedjo.
Ko model izvede svoje napovedi, tolmač TensorFlow Lite izda te informacije v strukturirani obliki, ki jo lahko uporablja aplikacija, ki uporablja model. Ta rezultat se lahko razlikuje glede na specifične zahteve aplikacije, vendar običajno vključuje razrede zaznanih predmetov, omejevalne okvire, ki označujejo predmete na sliki, in povezane ocene zaupanja.
Na primer, če je model za prepoznavanje objektov usposobljen za zaznavanje običajnih predmetov, kot so avtomobili, pešci in prometni znaki, lahko izhod tolmača TensorFlow Lite vključuje napovedi, kot je "avtomobil" z omejevalnim poljem, ki določa lokacijo avtomobila v sliko in oceno zaupanja, ki kaže gotovost modela glede napovedi.
Izhod tolmača TensorFlow Lite za model strojnega učenja za prepoznavanje objektov, ki obdeluje okvir iz kamere mobilne naprave, vključuje predhodno obdelavo vhodne slike, njeno posredovanje skozi model za sklepanje in zagotavljanje napovedi o predmetih, prisotnih na sliki, v strukturiranem formatu primeren za nadaljnjo obdelavo s strani aplikacije.
Druga nedavna vprašanja in odgovori v zvezi Osnove EITC/AI/TFF TensorFlow:
- Kako lahko uporabimo vdelano plast za samodejno dodelitev ustreznih osi za graf predstavitve besed kot vektorjev?
- Kakšen je namen največjega združevanja v CNN?
- Kako se postopek ekstrakcije značilnosti v konvolucijski nevronski mreži (CNN) uporablja za prepoznavanje slik?
- Ali je treba uporabiti funkcijo asinhronega učenja za modele strojnega učenja, ki se izvajajo v TensorFlow.js?
- Kaj je parameter največjega števila besed API-ja TensorFlow Keras Tokenizer?
- Ali je mogoče API TensorFlow Keras Tokenizer uporabiti za iskanje najpogostejših besed?
- Kaj je TOCO?
- Kakšno je razmerje med številom epoh v modelu strojnega učenja in natančnostjo napovedi pri izvajanju modela?
- Ali API za sosednje pakete v Neural Structured Learning of TensorFlow ustvari razširjen nabor podatkov za usposabljanje na podlagi podatkov naravnega grafa?
- Kaj je API za sosednje pakete v nevronsko strukturiranem učenju TensorFlow?
Oglejte si več vprašanj in odgovorov v EITC/AI/TFF TensorFlow Fundamentals