TensorFlow Lite je lagano rješenje koje pruža TensorFlow za pokretanje modela strojnog učenja na mobilnim i IoT uređajima. Kada TensorFlow Lite interpreter obrađuje model prepoznavanja objekata sa okvirom iz kamere mobilnog uređaja kao ulazom, izlaz obično uključuje nekoliko faza kako bi se na kraju pružila predviđanja u vezi sa objektima prisutnim na slici.
Prvo, ulazni okvir sa kamere mobilnog uređaja se dovodi u TensorFlow Lite interpreter. Tumač zatim predobradi ulaznu sliku pretvarajući je u format prikladan za model mašinskog učenja. Ovaj korak predobrade obično uključuje promjenu veličine slike kako bi odgovarala ulaznoj veličini koju model očekuje, normalizaciju vrijednosti piksela i potencijalnu primjenu drugih transformacija specifičnih za arhitekturu modela.
Zatim se prethodno obrađena slika prenosi kroz model prepoznavanja objekata unutar TensorFlow Lite interpretera. Model obrađuje sliku koristeći svoje naučene parametre i arhitekturu kako bi generirao predviđanja o objektima prisutnim u okviru. Ova predviđanja obično uključuju informacije kao što su oznake klasa otkrivenih objekata, njihove lokacije na slici i ocjene pouzdanosti povezane sa svakim predviđanjem.
Nakon što model napravi svoja predviđanja, TensorFlow Lite interpreter emituje ove informacije u strukturiranom formatu koji može koristiti aplikacija koja koristi model. Ovaj izlaz može varirati ovisno o specifičnim zahtjevima aplikacije, ali obično uključuje otkrivene klase objekata, granične okvire koji ocrtavaju objekte na slici i pridružene rezultate pouzdanosti.
Na primjer, ako je model prepoznavanja objekata obučen za otkrivanje uobičajenih objekata kao što su automobili, pješaci i prometni znakovi, izlaz iz TensorFlow Lite tumača može uključivati predviđanja poput "automobila" s graničnim okvirom koji specificira lokaciju automobila u sliku i rezultat pouzdanosti koji ukazuje na sigurnost modela u predviđanju.
Izlaz TensorFlow Lite interpretera za model mašinskog učenja za prepoznavanje objekata koji obrađuje okvir iz kamere mobilnog uređaja uključuje predobradu ulazne slike, prolazak kroz model radi zaključivanja i pružanje predviđanja o objektima prisutnim na slici u strukturiranom formatu. pogodan za dalju obradu od strane aplikacije.
Ostala nedavna pitanja i odgovori u vezi Osnove EITC/AI/TFF TensorFlow:
- Kako se može koristiti sloj za ugrađivanje da se automatski dodijele odgovarajuće ose za dijagram reprezentacije riječi kao vektora?
- Koja je svrha maksimalnog udruživanja u CNN?
- Kako se proces izdvajanja karakteristika u konvolucionoj neuronskoj mreži (CNN) primjenjuje na prepoznavanje slika?
- Da li je potrebno koristiti funkciju asinhronog učenja za modele mašinskog učenja koji rade u TensorFlow.js?
- Koji je parametar maksimalnog broja riječi TensorFlow Keras Tokenizer API-ja?
- Može li se TensorFlow Keras Tokenizer API koristiti za pronalaženje najčešćih riječi?
- Šta je TOCO?
- Kakav je odnos između brojnih epoha u modelu mašinskog učenja i tačnosti predviđanja iz pokretanja modela?
- Da li API susjednih paketa u Neural Structured Learning TensorFlow-u proizvodi prošireni skup podataka za obuku zasnovan na podacima prirodnog grafa?
- Šta je API susjeda paketa u neuronskom strukturiranom učenju TensorFlow-a?
Pogledajte više pitanja i odgovora u EITC/AI/TFF TensorFlow Fundamentals