TensorFlow Lite je lagano rješenje koje nudi TensorFlow za pokretanje modela strojnog učenja na mobilnim i IoT uređajima. Kada tumač TensorFlow Lite obrađuje model prepoznavanja objekta s okvirom iz kamere mobilnog uređaja kao ulazom, izlaz obično uključuje nekoliko faza kako bi se u konačnici pružila predviđanja u vezi s objektima prisutnima na slici.
Prvo, ulazni okvir iz kamere mobilnog uređaja unosi se u tumač TensorFlow Lite. Tumač zatim pretprocesira ulaznu sliku pretvarajući je u format prikladan za model strojnog učenja. Ovaj korak pretprocesiranja obično uključuje promjenu veličine slike kako bi odgovarala ulaznoj veličini koju očekuje model, normaliziranje vrijednosti piksela i potencijalnu primjenu drugih transformacija specifičnih za arhitekturu modela.
Zatim, pretprocesirana slika prolazi kroz model prepoznavanja objekta unutar TensorFlow Lite interpretera. Model obrađuje sliku koristeći svoje naučene parametre i arhitekturu za generiranje predviđanja o objektima prisutnima u okviru. Ova predviđanja obično uključuju informacije kao što su oznake klase otkrivenih objekata, njihove lokacije na slici i rezultati pouzdanosti povezani sa svakim predviđanjem.
Nakon što model napravi svoja predviđanja, tumač TensorFlow Lite ispisuje te 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 tumača TensorFlow Lite može uključivati predviđanja kao što je "auto" s graničnim okvirom koji navodi lokaciju automobila u slika i rezultat pouzdanosti koji ukazuje na sigurnost modela u pogledu predviđanja.
Izlaz tumača TensorFlow Lite za model strojnog učenja za prepoznavanje objekata koji obrađuje okvir s kamere mobilnog uređaja uključuje pretprocesiranje ulazne slike, prolazak kroz model za zaključivanje i pružanje predviđanja o objektima prisutnima na slici u strukturiranom formatu pogodan za daljnju obradu od strane aplikacije.
Ostala nedavna pitanja i odgovori u vezi Osnove EITC/AI/TFF TensorFlow:
- Kako se može koristiti sloj za ugradnju za automatsko dodjeljivanje odgovarajućih osi za prikaz predstavljanja riječi kao vektora?
- Koja je svrha maksimalnog udruživanja u CNN-u?
- Kako se postupak izdvajanja značajki u konvolucijskoj neuronskoj mreži (CNN) primjenjuje na prepoznavanje slike?
- Je li potrebno koristiti asinkronu funkciju učenja za modele strojnog učenja koji se izvode u TensorFlow.js?
- Koji je parametar maksimalnog broja riječi za TensorFlow Keras Tokenizer API?
- Može li se TensorFlow Keras Tokenizer API koristiti za pronalaženje najčešćih riječi?
- Što je TOCO?
- Kakav je odnos između broja epoha u modelu strojnog učenja i točnosti predviđanja iz pokretanja modela?
- Proizvodi li API susjeda paketa u Neural Structured Learning TensorFlowa prošireni skup podataka za obuku na temelju podataka prirodnog grafikona?
- Što je API susjeda paketa u neuralno strukturiranom učenju TensorFlowa?
Pogledajte više pitanja i odgovora u EITC/AI/TFF TensorFlow Fundamentals