TensorFlow Lite este o soluție ușoară oferită de TensorFlow pentru rularea modelelor de învățare automată pe dispozitive mobile și IoT. Atunci când interpretul TensorFlow Lite procesează un model de recunoaștere a obiectelor cu un cadru de la o cameră a unui dispozitiv mobil ca intrare, ieșirea implică de obicei mai multe etape pentru a oferi în cele din urmă predicții cu privire la obiectele prezente în imagine.
În primul rând, cadrul de intrare de la camera dispozitivului mobil este introdus în interpretorul TensorFlow Lite. Apoi, interpretul preprocesează imaginea de intrare, transformând-o într-un format potrivit pentru modelul de învățare automată. Acest pas de preprocesare implică de obicei redimensionarea imaginii pentru a se potrivi cu dimensiunea de intrare așteptată de model, normalizarea valorilor pixelilor și eventual aplicarea altor transformări specifice arhitecturii modelului.
Apoi, imaginea preprocesată este trecută prin modelul de recunoaștere a obiectelor din interpretul TensorFlow Lite. Modelul procesează imaginea folosind parametrii și arhitectura învățați pentru a genera predicții despre obiectele prezente în cadru. Aceste predicții includ de obicei informații precum etichetele de clasă ale obiectelor detectate, locațiile acestora în imagine și scorurile de încredere asociate cu fiecare predicție.
Odată ce modelul și-a făcut predicțiile, interpretul TensorFlow Lite scoate aceste informații într-un format structurat care poate fi utilizat de aplicația care utilizează modelul. Această ieșire poate varia în funcție de cerințele specifice ale aplicației, dar include în mod obișnuit clasele de obiecte detectate, casetele de delimitare care conturează obiectele din imagine și scorurile de încredere asociate.
De exemplu, dacă modelul de recunoaștere a obiectelor este antrenat pentru a detecta obiecte obișnuite, cum ar fi mașini, pietoni și semne de circulație, rezultatul de la interpretul TensorFlow Lite poate include predicții precum „mașină” cu o casetă de delimitare care specifică locația mașinii în imagine și un scor de încredere care indică certitudinea modelului cu privire la predicție.
Ieșirea interpretului TensorFlow Lite pentru un model de învățare automată de recunoaștere a obiectelor care procesează un cadru de la camera unui dispozitiv mobil implică preprocesarea imaginii de intrare, trecerea ei prin model pentru inferență și furnizarea de predicții despre obiectele prezente în imagine într-un format structurat potrivite pentru prelucrare ulterioară de către aplicație.
Alte întrebări și răspunsuri recente cu privire la Fundamentele EITC/AI/TFF TensorFlow:
- Cum se poate folosi un strat de încorporare pentru a atribui automat axele adecvate pentru o diagramă de reprezentare a cuvintelor ca vectori?
- Care este scopul poolingului maxim într-un CNN?
- Cum se aplică procesul de extracție a caracteristicilor într-o rețea neuronală convoluțională (CNN) recunoașterii imaginilor?
- Este necesar să folosiți o funcție de învățare asincronă pentru modelele de învățare automată care rulează în TensorFlow.js?
- Care este parametrul pentru numărul maxim de cuvinte API TensorFlow Keras Tokenizer?
- Poate fi folosit API-ul TensorFlow Keras Tokenizer pentru a găsi cele mai frecvente cuvinte?
- Ce este TOCO?
- Care este relația dintre un număr de epoci dintr-un model de învățare automată și acuratețea predicției din rularea modelului?
- API-ul pack vecins din Neural Structured Learning of TensorFlow produce un set de date de antrenament augmentat bazat pe date grafice naturale?
- Ce este API-ul pack neighbors în Neural Structured Learning al TensorFlow?
Vedeți mai multe întrebări și răspunsuri în EITC/AI/TFF TensorFlow Fundamentals