TensorFlow Lite est une solution légère fournie par TensorFlow pour exécuter des modèles d'apprentissage automatique sur des appareils mobiles et IoT. Lorsque l'interpréteur TensorFlow Lite traite un modèle de reconnaissance d'objet avec une image provenant d'une caméra d'appareil mobile en entrée, la sortie implique généralement plusieurs étapes pour finalement fournir des prédictions concernant les objets présents dans l'image.
Tout d'abord, la trame d'entrée de la caméra de l'appareil mobile est introduite dans l'interpréteur TensorFlow Lite. L'interpréteur prétraite ensuite l'image d'entrée en la convertissant dans un format adapté au modèle d'apprentissage automatique. Cette étape de prétraitement implique généralement de redimensionner l'image pour qu'elle corresponde à la taille d'entrée attendue par le modèle, de normaliser les valeurs des pixels et éventuellement d'appliquer d'autres transformations spécifiques à l'architecture du modèle.
Ensuite, l'image prétraitée passe par le modèle de reconnaissance d'objets dans l'interpréteur TensorFlow Lite. Le modèle traite l'image à l'aide de ses paramètres et de son architecture appris pour générer des prédictions sur les objets présents dans le cadre. Ces prédictions incluent généralement des informations telles que les étiquettes de classe des objets détectés, leurs emplacements dans l'image et les scores de confiance associés à chaque prédiction.
Une fois que le modèle a fait ses prédictions, l'interpréteur TensorFlow Lite génère ces informations dans un format structuré qui peut être utilisé par l'application utilisant le modèle. Cette sortie peut varier en fonction des exigences spécifiques de l'application, mais inclut généralement les classes d'objets détectées, les cadres de délimitation décrivant les objets dans l'image et les scores de confiance associés.
Par exemple, si le modèle de reconnaissance d'objets est entraîné pour détecter des objets courants tels que des voitures, des piétons et des panneaux de signalisation, le résultat de l'interpréteur TensorFlow Lite peut inclure des prédictions telles que « voiture » avec un cadre de délimitation spécifiant l'emplacement de la voiture dans le image et un score de confiance indiquant la certitude du modèle concernant la prédiction.
La sortie de l'interpréteur TensorFlow Lite pour un modèle d'apprentissage automatique de reconnaissance d'objets traitant une image provenant d'une caméra d'appareil mobile implique le prétraitement de l'image d'entrée, sa transmission au modèle pour inférence et la fourniture de prédictions sur les objets présents dans l'image dans un format structuré. approprié pour un traitement ultérieur par l'application.
D'autres questions et réponses récentes concernant Principes de base de TensorFlow EITC/AI/TFF:
- Comment peut-on utiliser une couche d'intégration pour attribuer automatiquement les axes appropriés pour un tracé de représentation de mots sous forme de vecteurs ?
- Quel est le but du pooling maximum dans un CNN ?
- Comment le processus d’extraction de caractéristiques dans un réseau neuronal convolutif (CNN) est-il appliqué à la reconnaissance d’images ?
- Est-il nécessaire d'utiliser une fonction d'apprentissage asynchrone pour les modèles de machine learning exécutés dans TensorFlow.js ?
- Quel est le paramètre de nombre maximum de mots de l'API TensorFlow Keras Tokenizer ?
- L'API TensorFlow Keras Tokenizer peut-elle être utilisée pour rechercher les mots les plus fréquents ?
- Qu’est-ce que TOCO ?
- Quelle est la relation entre un certain nombre d'époques dans un modèle d'apprentissage automatique et la précision des prédictions issues de l'exécution du modèle ?
- L'API Pack Neighbours dans Neural Structured Learning de TensorFlow produit-elle un ensemble de données d'entraînement augmenté basé sur des données graphiques naturelles ?
- Qu'est-ce que l'API Pack Neighbours dans l'apprentissage structuré neuronal de TensorFlow ?
Voir plus de questions et réponses dans EITC/AI/TFF TensorFlow Fundamentals