TensorFlow Lite یک راه حل سبک وزن است که توسط TensorFlow برای اجرای مدل های یادگیری ماشین در دستگاه های تلفن همراه و IoT ارائه شده است. هنگامی که مفسر TensorFlow Lite یک مدل تشخیص شی را با یک قاب از دوربین دستگاه تلفن همراه به عنوان ورودی پردازش می کند، خروجی معمولاً شامل چندین مرحله است تا در نهایت پیش بینی هایی در مورد اشیاء موجود در تصویر ارائه دهد.
ابتدا، قاب ورودی از دوربین دستگاه تلفن همراه به مفسر TensorFlow Lite وارد می شود. سپس مفسر تصویر ورودی را با تبدیل آن به فرمت مناسب برای مدل یادگیری ماشین، پیش پردازش می کند. این مرحله پیش پردازش معمولاً شامل تغییر اندازه تصویر برای مطابقت با اندازه ورودی مورد انتظار مدل، نرمال کردن مقادیر پیکسل و بهطور بالقوه اعمال سایر تبدیلهای خاص به معماری مدل است.
در مرحله بعد، تصویر از پیش پردازش شده از طریق مدل تشخیص شی در مفسر TensorFlow Lite منتقل می شود. مدل تصویر را با استفاده از پارامترها و معماری آموخته شده خود پردازش می کند تا پیش بینی هایی در مورد اشیاء موجود در کادر ایجاد کند. این پیشبینیها معمولاً شامل اطلاعاتی مانند برچسبهای کلاس اشیاء شناساییشده، مکان آنها در تصویر و امتیازات اطمینان مرتبط با هر پیشبینی است.
هنگامی که مدل پیشبینیهای خود را انجام داد، مفسر TensorFlow Lite این اطلاعات را در قالبی ساختاریافته که میتواند توسط برنامهای که از مدل استفاده میکند استفاده کند، خروجی میدهد. این خروجی ممکن است بسته به نیازهای خاص برنامه متفاوت باشد، اما معمولاً شامل کلاس های اشیاء شناسایی شده، جعبه های محدود کننده اشیاء در تصویر و امتیازهای اطمینان مرتبط است.
برای مثال، اگر مدل تشخیص اشیا برای تشخیص اشیاء معمولی مانند اتومبیلها، عابران پیاده و علائم راهنمایی و رانندگی آموزش دیده باشد، خروجی مفسر TensorFlow Lite ممکن است شامل پیشبینیهایی مانند «ماشین» با یک کادر مرزی باشد که مکان خودرو را در آن مشخص میکند. تصویر و نمره اطمینان نشان دهنده اطمینان مدل در مورد پیش بینی است.
خروجی مفسر TensorFlow Lite برای یک مدل یادگیری ماشینی تشخیص اشیا که یک فریم از دوربین دستگاه تلفن همراه را پردازش می کند، شامل پیش پردازش تصویر ورودی، عبور آن از مدل برای استنتاج، و ارائه پیش بینی در مورد اشیاء موجود در تصویر در قالب ساختاریافته است. مناسب برای پردازش بیشتر توسط برنامه
سایر پرسش ها و پاسخ های اخیر در مورد اصول EITC/AI/TFF TensorFlow:
- چگونه می توان از یک لایه جاسازی برای اختصاص خودکار محورهای مناسب برای نمودار نمایش کلمات به عنوان بردار استفاده کرد؟
- هدف از تجمع حداکثری در CNN چیست؟
- فرآیند استخراج ویژگی در یک شبکه عصبی کانولوشن (CNN) چگونه برای تشخیص تصویر اعمال می شود؟
- آیا استفاده از تابع یادگیری ناهمزمان برای مدل های یادگیری ماشینی که در TensorFlow.js اجرا می شوند ضروری است؟
- پارامتر حداکثر تعداد کلمات TensorFlow Keras Tokenizer API چیست؟
- آیا می توان از TensorFlow Keras Tokenizer API برای یافتن بیشترین کلمات استفاده کرد؟
- TOCO چیست؟
- رابطه بین تعدادی از دورهها در یک مدل یادگیری ماشینی و دقت پیشبینی از اجرای مدل چیست؟
- آیا بسته همسایه API در Neural Structured Learning TensorFlow یک مجموعه آموزشی تقویت شده بر اساس داده های نمودار طبیعی تولید می کند؟
- بسته همسایه API در یادگیری ساختار عصبی تنسورفلو چیست؟
سوالات و پاسخ های بیشتر را در EITC/AI/TFF TensorFlow Fundamentals مشاهده کنید