Primeros pasos
TensorFlow Lite es un framework de código abierto de aprendizaje profundo que se utiliza para ejecutar los modelos de TensorFlow en dispositivos. Si estos son tus primeros pasos con TensorFlow Lite, te recomendamos que primero explores los modelos previamente entrenados y ejecutes las apps de ejemplo de más abajo en un dispositivo real para conocer las posibilidades que brinda TensorFlow Lite.Detección de objetos
Detecta objetos en tiempo real desde el feed de una cámara con un modelo de MobileNet.Preguntas y respuestas
Responde preguntas relacionada con un texto determinado con un modelo de MobileBERT.Desarrolladores para dispositivos móviles
Si eres un desarrollador para dispositivos móviles sin experiencia en el aprendizaje automático y TensorFlow, puedes comenzar a entrenar un modelo e implementarlo en una app para dispositivos móviles con TensorFlow Lite Model Maker.Reconoce flores en Android
Un instructivo inicial rápido para Android. Entrena un modelo de clasificación de flores y, luego, impleméntalo en una aplicación para Android.Reconoce flores en iOS
Un instructivo inicial rápido para iOS. Entrena un modelo de clasificación de flores y, luego, impleméntalo en una aplicación de iOS.Creadores de modelos
Si ya estás familiarizado con TensorFlow y estás interesado en la implementación en dispositivos perimetrales, puedes comenzar con el siguiente instructivo para aprender a convertir un modelo de TensorFlow al formato de TensorFlow Lite y optimizarlo para la inferencia en el dispositivo.Reconoce dígitos escritos a mano
Un instructivo inicial rápido de extremo a extremo sobre cómo convertir y optimizar un modelo de TensorFlow para la inferencia en el dispositivo y, luego, implementarlo en una app para Android.Aprendizaje por transferencia para la clasificación de imágenes
Aprende a usar TensorFlow Lite Model Maker para crear rápidamente modelos de clasificación de imágenes.Para programadores de IoT
Si te interesa implementar un modelo de TensorFlow en dispositivos de IoT basados en Linux, como Raspberry Pi, puedes probar estos instructivos sobre cómo implementar tareas de visión artificial en dispositivos de IoT.Clasificación de imágenes en Raspberry Pi
Realiza una clasificación de imágenes en tiempo real con las imágenes que se transmiten desde la cámara Pi.Detección de objetos en Raspberry Pi
Realiza la detección de objetos en tiempo real con imágenes que se transmiten desde la cámara Pi.
Si te interesa implementar un modelo de TensorFlow en microcontroladores que tienen recursos mucho más limitados, puedes comenzar con estos instructivos que muestran un flujo de trabajo de extremo a extremo, desde el desarrollo de un modelo de TensorFlow hasta la conversión a un formato de TensorFlow Lite y la implementación en un microcontrolador con TensorFlow Lite Micro.
Detección de palabras clave
Entrena un modelo de voz pequeño que pueda detectar palabras clave simples.Reconocimiento de gestos
Entrena un modelo que pueda reconocer diferentes gestos con datos del acelerómetro.Próximos pasos
Después de familiarizarte con el flujo de trabajo para entrenar un modelo de TensorFlow, convertirlo a un formato de TensorFlow Lite y, luego, implementarlo en apps para dispositivos móviles, puedes obtener más información sobre TensorFlow Lite en los siguientes materiales:
- Prueba los instructivos de los diferentes dominios (p. ej., visión, voz) desde la barra de navegación izquierda. En estos instructivos, se muestra cómo entrenar un modelo para una tarea de aprendizaje automático específica, como la detección de objetos o el análisis de opiniones.
- Obtén más información sobre el flujo de trabajo de desarrollo en la Guía de TensorFlow Lite. Aquí encontrarás información detallada sobre las funciones de TensorFlow Lite, como la conversión de modelos o la optimización de modelos.
- Consulta este curso de aprendizaje en línea gratuito sobre TensorFlow Lite.
Blogs y videos
Suscríbete al blog de TensorFlow, al canal de YouTube y a la cuenta de Twitter para conocer las últimas novedades.