Tensorflow Lite
Précédemment, nous avons examiné des exemples d'applications web intégrant du machine learning grâce à TensorFlow.js. Dans cet article, nous allons explorer deux exemples d'applications Android utilisant le machine learning grâce à TensorFlow Lite.
TensorFlow Lite est un framework de deep learning spécialement conçu pour le déploiement de modèles sur des appareils mobiles et des microcontrôleurs. Découvrons les 2 exemples de modèles TensorFlow Lite déjà entraînés.
Modèle de classement des images
Description
La classification d’images consiste à enseigner à un ordinateur à reconnaître le contenu d’une photo. Cela peut inclure des personnes, des animaux, des objets ou d’autres éléments. On utilise TensorFlow Lite pour entraîner des modèles directement sur les téléphones. Pendant l’entraînement, le modèle est exposé à de nombreuses images et on lui indique ce qu’elles représentent. Ensuite, lorsqu’on lui présente une nouvelle photo, il peut deviner ce qu’elle représente, par exemple, s’il s’agit d’un oiseau ou d’un écureuil.
Lorsqu’il a été entraîné, le modèle attribue une probabilité à chaque classe d’objets pour une nouvelle image. Par exemple, il pourrait dire qu’il y a 91 % de chances que l’image représente un chien.
Exemple
Voici une application photo qui classe les objets dans les images capturées par la caméra:
Apprenez à classer des images
Voici un tutoriel vous permettant d'apprendre à classer des images de fleurs .
Modèle de détection d’objet
Description du modèle
La détection d’objets consiste à identifier et localiser des éléments spécifiques dans une image ou une vidéo. Le modèle peut repérer des objets tels que des pommes, des bananes ou des fraises, et indiquer leur position exacte. Pour ce faire, il entoure les objets détectés d’un cadre et attribue une note de probabilité pour chaque classe d’objet.
Il est possible de définir un seuil de confiance pour filtrer les réponses. Par exemple, si l’on souhaite une fiabilité d’au moins 50 %, on conservera les réponses dont le score est supérieur ou égal à 0,5. Cela permet d’éviter les erreurs mineures, comme confondre une poire avec une personne.
En résumé, la détection d’objets permet d’automatiser la reconnaissance et la localisation d’éléments visuels dans des images ou des vidéos.
Exemple
Voici une application d’appareil photo qui détecte les objets dans les images capturés par la caméra.
Apprenez comment détecter des objets
Pratiquez vous à entraîner un modèle de détection d’objet personnalisé capable de détecter des salades dans une image .
Sources
- « Classement des images », Tensorflow, https://www.tensorflow.org/lite/examples/image_classification/overview?hl=fr (Page consulté le 15 mars)
- « TensorFlow Lite Image Classification Demo », Github, https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/android (Page consulté le 16 mars)
- « Détection d'objet », Tensorflow, https://www.tensorflow.org/lite/examples/object_detection/overview?hl=fr#example_applications_and_guides (Page consulté le 15 mars)
- « TensorFlow Lite Object Detection Android Demo », Github, https://github.com/tensorflow/examples/tree/master/lite/examples/object_detection/android (Page consulté le 16 mars)
Commentaires