TensorFlow Lite е леко решение, предоставено от TensorFlow за стартиране на модели за машинно обучение на мобилни и IoT устройства. Когато интерпретаторът TensorFlow Lite обработва модел за разпознаване на обект с рамка от камера на мобилно устройство като вход, изходът обикновено включва няколко етапа, за да предостави в крайна сметка прогнози относно обектите, присъстващи в изображението.
Първо, входният кадър от камерата на мобилното устройство се подава в интерпретатора TensorFlow Lite. След това интерпретаторът обработва предварително входното изображение, като го преобразува във формат, подходящ за модела на машинно обучение. Тази стъпка на предварителна обработка обикновено включва преоразмеряване на изображението, за да съответства на входния размер, очакван от модела, нормализиране на стойностите на пикселите и потенциално прилагане на други трансформации, специфични за архитектурата на модела.
След това предварително обработеното изображение се предава през модела за разпознаване на обекти в интерпретатора TensorFlow Lite. Моделът обработва изображението, използвайки неговите научени параметри и архитектура, за да генерира прогнози за обектите, присъстващи в рамката. Тези прогнози обикновено включват информация като етикетите на класа на откритите обекти, техните местоположения в изображението и оценките на доверие, свързани с всяка прогноза.
След като моделът направи своите прогнози, интерпретаторът TensorFlow Lite извежда тази информация в структуриран формат, който може да се използва от приложението, използващо модела. Този изход може да варира в зависимост от специфичните изисквания на приложението, но обикновено включва откритите класове обекти, ограничаващи полета, очертаващи обектите в изображението, и свързаните резултати за доверие.
Например, ако моделът за разпознаване на обекти е обучен да открива общи обекти като автомобили, пешеходци и пътни знаци, изходът от интерпретатора TensorFlow Lite може да включва прогнози като „кола“ с ограничителна кутия, указваща местоположението на колата в изображение и оценка на доверието, показваща сигурността на модела относно прогнозата.
Резултатът от интерпретатора TensorFlow Lite за модел за машинно обучение за разпознаване на обекти, обработващ кадър от камера на мобилно устройство, включва предварителна обработка на входното изображение, преминаването му през модела за извод и предоставяне на прогнози за обектите, присъстващи в изображението, в структуриран формат подходящи за по-нататъшна обработка от приложението.
Други скорошни въпроси и отговори относно Основи на EITC/AI/TFF TensorFlow:
- Как може да се използва слой за вграждане, за да се присвоят автоматично правилни оси за диаграма на представяне на думи като вектори?
- Каква е целта на максималното обединяване в CNN?
- Как се прилага процесът на извличане на характеристики в конволюционна невронна мрежа (CNN) за разпознаване на изображения?
- Необходимо ли е да се използва функция за асинхронно обучение за модели за машинно обучение, работещи в TensorFlow.js?
- Какъв е параметърът за максимален брой думи на TensorFlow Keras Tokenizer API?
- Може ли API на TensorFlow Keras Tokenizer да се използва за намиране на най-често срещаните думи?
- Какво е TOCO?
- Каква е връзката между редица епохи в модел на машинно обучение и точността на прогнозата от изпълнението на модела?
- Приложният програмен интерфейс (API) за съседи на пакета в Neural Structured Learning на TensorFlow създава ли разширен набор от данни за обучение въз основа на естествени графични данни?
- Какво представлява API за съседи на пакета в невронно структурирано обучение на TensorFlow?
Вижте още въпроси и отговори в EITC/AI/TFF TensorFlow Fundamentals