TensorFlow Lite, geliştiricilerin modellerini mobil, gömülü ve IoT cihazlarında çalıştırmalarına yardımcı olarak cihaz üzerinde makine öğrenimini mümkün kılan bir araç setidir. TensorFlow Lite’ın ana özellikleri, gecikme, gizlilik, bağlantı, boyut ve enerji tüketimine odaklanarak cihaz üzerinde makine öğrenimi için optimize edilmiştir. Çerçeve, Android ve iOS cihazları, gömülü Linux ve mikrodenetleyiciler dahil olmak üzere birden fazla platform için destek sağlamak üzere inşa edilmiştir. Ayrıca Java, Swift, Objective-C, C++ ve Python gibi çeşitli diller için yerleşik destek sunar ve donanım hızlandırması ve model optimizasyonu ile yüksek performans sağlar. Birden fazla platformda görüntü sınıflandırma, nesne tespiti, poz tahmini, soru yanıtlama ve metin sınıflandırma gibi yaygın makine öğrenimi görevleri için uçtan uca örnekler sunar.
reTerminal ile tanışın, İnsan-Makine Arayüzünün Yeni Nesli. Bu geleceğe hazır İnsan-Makine Arayüzü (HMI) cihazı, IoT ve bulut sistemleri ile kolayca ve verimli bir şekilde çalışarak uçta sonsuz senaryoları açığa çıkarabilir. reTerminal, 1.5GHz’de çalışan Quad-Core Cortex-A72 CPU’ya sahip Raspberry Pi Compute Module 4 (CM4) ile güçlendirilmiştir ve 720 x 1280 çözünürlüğe sahip 5 inç IPS kapasitif çoklu dokunmatik ekranı vardır. Çoklu görev gerçekleştirmek için yeterli RAM (4GB) ve bir işletim sistemi kurmak için yeterli eMMC depolama alanı (32GB) ile hızlı açılış süreleri ve genel olarak akıcı bir deneyim sağlar. Ayrıca çift bantlı 2.4GHz/5GHz Wi-Fi ve Bluetooth 5.0 BLE ile kablosuz bağlantıya sahiptir.
TensorFlow Lite Çalışma Paketi Kurulumu
tflite_runtime paketi, TensorFlow Lite ile bir çıkarım çalıştırmak için gereken en az kodu içeren daha küçük, basitleştirilmiş bir Python paketidir. Bu paket, yalnızca .tflite modellerini çalıştırmak istediğinizde idealdir ve büyük TensorFlow kütüphanesi ile disk alanı israfını önler.
TFLite Converter kullanarak herhangi bir TensorFlow modelini .tflite formatına dönüştürmek mümkündür, yeter ki yalnızca TFLite Runtime tarafından desteklenen işlemlerden oluşsun. Aşağıda, gelecekte genişletilecek ve tamamlanacak olan reTerminal üzerinde şu anda test edilen demoların bir listesi bulunmaktadır:
| Model | Sonuç | Yorumlar |
|---|---|---|
| Nesne Tespiti |  |
Demo: Araç Tespiti Jupyter Notebook Örnek betikler alpha 0.25 224×224 66.7 FPS (15 ms.) alpha 0.5 224×224 40 FPS (25 ms.) alpha 0.75 320×320 14.9 FPS (67 ms.) alpha 1.0 320×320 10.4 FPS (96 ms.) |
| Görüntü Sınıflandırma |  |
Demo: Endüstriyel Konveyör Yırtığı Tanımlama Jupyter Notebook Örnek betikler |
| Anlamsal segmentasyon |  |
Demo: Akciğer segmentasyonu Jupyter Notebook Örnek betikler |
| Yüz yaş/cinsiyet tanıma |  |
Demo: Çok aşamalı çıkarım: MobileNet YOLOv3 alpha 0.25 -> MobileFaceNet Github deposu Örnek betikler ~16-20 FPS (ile ARM NN) |
| Yüz ifade tanıma |  |
Demo: Çok aşamalı çıkarım: MobileNet YOLOv3 alpha 0.25 -> MobileFaceNet Github deposu Örnek betikler ~11 FPS |
| Yüz sahtekarlık önleme |  |
Demo: Çok aşamalı çıkarım: MobileNet YOLOv3 alpha 0.25 -> MobileNet v1 alpha 0.25 Jupyter Notebook Örnek betikler ~23 FPS (ARM NN) |
Lütfen reTerminal makine öğrenimi uygulamaları için wiki sayfasını kontrol etmeyi unutmayın, daha fazla keşfetmek ve reTerminal’iniz üzerinde demolar çalıştırmak için! Ayrıca MediaPipe testini de ekledik. Cihaz üzerinde daha fazla makine öğrenimi olanağı geliştirmeye devam edeceğiz. Hangi uygulamayı çalıştırdığınızı/planladığınızı bize bildirin, bunu geliştirme yapılacaklar listemize ekleyelim!