A TensorFlow Lite a TensorFlow által biztosított könnyű megoldás a gépi tanulási modellek futtatásához mobil- és IoT-eszközökön. Amikor a TensorFlow Lite interpreter egy objektumfelismerési modellt dolgoz fel egy mobileszköz kamerájának keretével mint bemenettel, a kimenet általában több szakaszból áll, hogy végül előrejelzéseket adjon a képen lévő objektumokra vonatkozóan.
Először is, a mobileszköz kamerájának bemeneti kerete bekerül a TensorFlow Lite értelmezőbe. Az értelmező ezután előfeldolgozza a bemeneti képet úgy, hogy a gépi tanulási modellnek megfelelő formátumba konvertálja. Ez az előfeldolgozási lépés általában magában foglalja a kép átméretezését, hogy megfeleljen a modell által várt bemeneti méretnek, normalizálja a pixelértékeket, és potenciálisan más, a modell architektúrára jellemző átalakításokat alkalmaz.
Ezután az előfeldolgozott kép áthalad a TensorFlow Lite értelmezőn belüli objektumfelismerési modellen. A modell a tanult paraméterek és architektúra felhasználásával dolgozza fel a képet, hogy előrejelzéseket generáljon a keretben lévő objektumokról. Ezek az előrejelzések általában olyan információkat tartalmaznak, mint az észlelt objektumok osztálycímkéi, helyük a képen, és az egyes előrejelzésekhez kapcsolódó megbízhatósági pontszámok.
Miután a modell elkészítette az előrejelzéseit, a TensorFlow Lite értelmező strukturált formátumban adja ki ezeket az információkat, amelyeket a modellt használó alkalmazás használhat. Ez a kimenet az alkalmazás speciális követelményeitől függően változhat, de általában tartalmazza az észlelt objektumosztályokat, a képen lévő objektumokat körvonalazó határolókereteket és a kapcsolódó megbízhatósági pontszámokat.
Például, ha az objektumfelismerési modellt gyakori objektumok, például autók, gyalogosok és közlekedési táblák észlelésére tanítják, a TensorFlow Lite értelmező kimenete tartalmazhat olyan előrejelzéseket, mint például az "autó" egy határolókerettel, amely meghatározza az autó helyét a kép és egy megbízhatósági pontszám, amely jelzi a modell bizonyosságát az előrejelzéssel kapcsolatban.
A TensorFlow Lite értelmező kimenete egy mobileszköz kamerájából származó keretet feldolgozó objektumfelismerő gépi tanulási modellhez a bemeneti kép előfeldolgozásából, a modellen való átvezetésből következik, és előrejelzéseket ad a képen lévő objektumokról strukturált formátumban. az alkalmazás általi további feldolgozásra alkalmas.
További friss kérdések és válaszok ezzel kapcsolatban EITC/AI/TFF TensorFlow alapjai:
- Hogyan lehet egy beágyazási réteget használni, hogy automatikusan hozzárendelje a megfelelő tengelyeket a szavak vektorként történő ábrázolásához?
- Mi a célja a maximális összevonásnak a CNN-ben?
- Hogyan alkalmazzák a konvolúciós neurális hálózatban (CNN) a jellemzők kinyerési folyamatát a képfelismerésre?
- Szükséges-e aszinkron tanulási függvényt használni a TensorFlow.js-ban futó gépi tanulási modellekhez?
- Mi a TensorFlow Keras Tokenizer API maximális szavak száma paraméter?
- Használható a TensorFlow Keras Tokenizer API a leggyakoribb szavak megtalálására?
- Mi az a TOCO?
- Mi a kapcsolat a gépi tanulási modell számos korszaka és a modell futtatásából származó előrejelzés pontossága között?
- A TensorFlow Neural Structured Learning programjában a pack szomszédok API létrehoz egy kibővített képzési adatkészletet a természetes gráfadatok alapján?
- Mi az a pack szomszédok API a TensorFlow neurális strukturált tanulásában?
További kérdések és válaszok az EITC/AI/TFF TensorFlow Fundamentals oldalon