TensorFlow Lite je lehké řešení poskytované TensorFlow pro spouštění modelů strojového učení na mobilních zařízeních a zařízeních IoT. Když interpret TensorFlow Lite zpracovává model rozpoznávání objektů s rámem z kamery mobilního zařízení jako vstupem, výstup obvykle zahrnuje několik fází, které nakonec poskytují předpovědi týkající se objektů přítomných na obrázku.
Nejprve je vstupní snímek z kamery mobilního zařízení vložen do interpretru TensorFlow Lite. Interpret poté předzpracuje vstupní obraz jeho převedením do formátu vhodného pro model strojového učení. Tento krok předběžného zpracování obvykle zahrnuje změnu velikosti obrázku tak, aby odpovídal vstupní velikosti očekávané modelem, normalizaci hodnot pixelů a případné použití dalších transformací specifických pro architekturu modelu.
Dále předzpracovaný obraz prochází modelem rozpoznávání objektů v interpretu TensorFlow Lite. Model zpracovává obraz pomocí naučených parametrů a architektury, aby generoval předpovědi o objektech přítomných v záběru. Tyto předpovědi obvykle zahrnují informace, jako jsou označení tříd detekovaných objektů, jejich umístění na obrázku a skóre spolehlivosti související s každou předpovědí.
Jakmile model provede své předpovědi, interpret TensorFlow Lite odešle tyto informace ve strukturovaném formátu, který může použít aplikace využívající model. Tento výstup se může lišit v závislosti na konkrétních požadavcích aplikace, ale běžně zahrnuje detekované třídy objektů, ohraničující rámečky označující objekty v obraze a související skóre spolehlivosti.
Pokud je například model rozpoznávání objektů natrénován k detekci běžných objektů, jako jsou auta, chodci a dopravní značky, výstup z interpretu TensorFlow Lite může obsahovat předpovědi, jako je „auto“ s ohraničujícím rámečkem určujícím polohu automobilu v obrázek a skóre spolehlivosti udávající jistotu modelu ohledně předpovědi.
Výstup interpretru TensorFlow Lite pro model strojového učení rozpoznávání objektů zpracovávající snímek z kamery mobilního zařízení zahrnuje předběžné zpracování vstupního obrazu, jeho předání přes model pro odvození a poskytování předpovědí o objektech přítomných na obrázku ve strukturovaném formátu. vhodné pro další zpracování aplikací.
Další nedávné otázky a odpovědi týkající se Základy TensorFlow EITC/AI/TFF:
- Jak lze použít vrstvu vložení k automatickému přiřazení správných os pro graf reprezentace slov jako vektorů?
- Jaký je účel maximálního sdružování v CNN?
- Jak je proces extrakce příznaků v konvoluční neuronové síti (CNN) aplikován na rozpoznávání obrazu?
- Je nutné používat funkci asynchronního učení pro modely strojového učení běžící v TensorFlow.js?
- Jaký je parametr maximálního počtu slov rozhraní TensorFlow Keras Tokenizer API?
- Lze TensorFlow Keras Tokenizer API použít k nalezení nejčastějších slov?
- Co je TOCO?
- Jaký je vztah mezi řadou epoch v modelu strojového učení a přesností predikce ze spuštění modelu?
- Vytváří sousední rozhraní API v Neural Structured Learning of TensorFlow rozšířenou trénovací datovou sadu založenou na přirozených grafech?
- Co je rozhraní API sousedů balíčku v Neural Structured Learning of TensorFlow?
Zobrazit další otázky a odpovědi v EITC/AI/TFF TensorFlow Fundamentals