TensorFlow Lite ialah penyelesaian ringan yang disediakan oleh TensorFlow untuk menjalankan model pembelajaran mesin pada peranti mudah alih dan IoT. Apabila jurubahasa TensorFlow Lite memproses model pengecaman objek dengan bingkai daripada kamera peranti mudah alih sebagai input, output biasanya melibatkan beberapa peringkat untuk akhirnya memberikan ramalan mengenai objek yang terdapat dalam imej.
Pertama, bingkai input daripada kamera peranti mudah alih dimasukkan ke dalam penterjemah TensorFlow Lite. Jurubahasa kemudiannya memproses imej input dengan menukarkannya kepada format yang sesuai untuk model pembelajaran mesin. Langkah prapemprosesan ini biasanya melibatkan saiz semula imej agar sepadan dengan saiz input yang dijangkakan oleh model, menormalkan nilai piksel dan berpotensi menggunakan transformasi lain yang khusus kepada seni bina model.
Seterusnya, imej praproses disalurkan melalui model pengecaman objek dalam penterjemah TensorFlow Lite. Model memproses imej menggunakan parameter dan seni bina yang dipelajari untuk menjana ramalan tentang objek yang terdapat dalam bingkai. Ramalan ini biasanya termasuk maklumat seperti label kelas objek yang dikesan, lokasinya dalam imej dan skor keyakinan yang dikaitkan dengan setiap ramalan.
Setelah model membuat ramalannya, jurubahasa TensorFlow Lite mengeluarkan maklumat ini dalam format berstruktur yang boleh digunakan oleh aplikasi yang menggunakan model tersebut. Output ini mungkin berbeza-beza bergantung pada keperluan khusus aplikasi, tetapi biasanya termasuk kelas objek yang dikesan, kotak sempadan yang menggariskan objek dalam imej dan skor keyakinan yang berkaitan.
Contohnya, jika model pengecaman objek dilatih untuk mengesan objek biasa seperti kereta, pejalan kaki dan tanda lalu lintas, output daripada penterjemah TensorFlow Lite mungkin termasuk ramalan seperti "kereta" dengan kotak sempadan yang menyatakan lokasi kereta dalam imej dan skor keyakinan yang menunjukkan kepastian model tentang ramalan.
Output jurubahasa TensorFlow Lite untuk model pembelajaran mesin pengecaman objek memproses bingkai daripada kamera peranti mudah alih melibatkan prapemprosesan imej input, menghantarnya melalui model untuk inferens dan menyediakan ramalan tentang objek yang terdapat dalam imej dalam format berstruktur sesuai untuk diproses selanjutnya oleh aplikasi.
Soalan dan jawapan terbaru lain mengenai Asas EITC/AI/TFF TensorFlow:
- Bagaimanakah seseorang boleh menggunakan lapisan benam untuk menetapkan paksi yang betul secara automatik untuk plot perwakilan perkataan sebagai vektor?
- Apakah tujuan pengumpulan maksimum dalam CNN?
- Bagaimanakah proses pengekstrakan ciri dalam rangkaian neural convolutional (CNN) digunakan pada pengecaman imej?
- Adakah perlu menggunakan fungsi pembelajaran tak segerak untuk model pembelajaran mesin yang dijalankan dalam TensorFlow.js?
- Apakah parameter bilangan perkataan maksimum TensorFlow Keras Tokenizer API?
- Bolehkah TensorFlow Keras Tokenizer API digunakan untuk mencari perkataan yang paling kerap?
- Apa itu TOCO?
- Apakah hubungan antara beberapa zaman dalam model pembelajaran mesin dan ketepatan ramalan daripada menjalankan model?
- Adakah API jiran pek dalam Pembelajaran Berstruktur Neural TensorFlow menghasilkan set data latihan tambahan berdasarkan data graf semula jadi?
- Apakah API jiran pek dalam Pembelajaran Berstruktur Neural TensorFlow?
Lihat lebih banyak soalan dan jawapan dalam EITC/AI/TFF TensorFlow Fundamentals