Premiers pas

TensorFlow Lite est un framework de deep learning Open Source permettant d'exécuter des modèles TensorFlow sur l'appareil. Si vous débutez avec TensorFlow Lite, nous vous recommandons de commencer par explorer les modèles pré-entraînés et d'exécuter les exemples d'applications ci-dessous sur un appareil réel afin de découvrir les possibilités offertes par TensorFlow Lite.
Détectez en temps réel des objets provenant d'un flux de caméra avec un modèle MobileNet.
Répondez à toute question sur un texte donné avec un modèle MobileBERT.

Pour les développeurs d'applications mobiles

Si vous êtes un développeur d'applications mobiles sans beaucoup d'expérience dans le domaine du machine learning et de TensorFlow, commencez par apprendre à entraîner un modèle et à le déployer dans une application mobile avec TensorFlow Lite Model Maker.
Tutoriel de démarrage rapide pour Android. Entraînez un modèle de classification des fleurs et déployez-le sur une application Android.
Tutoriel de démarrage rapide pour iOS. Entraînez un modèle de classification de fleurs et déployez-le sur une application iOS.

Pour les créateurs de modèles

Si vous connaissez déjà le fonctionnement de TensorFlow et souhaitez déployer des modèles sur des appareils de périphérie, vous pouvez commencer par parcourir le tutoriel ci-dessous qui vous explique comment convertir un modèle TensorFlow au format TensorFlow Lite et l'optimiser pour exécuter des inférences sur l'appareil.
Tutoriel de démarrage rapide de bout en bout pour apprendre à convertir et optimiser un modèle TensorFlow pour exécuter des inférences sur les appareils, puis l'exécuter sur une application Android.
Découvrez comment utiliser TensorFlow Lite Model Maker pour créer rapidement des modèles de classification d'images.

Pour les développeurs IoT

Si vous souhaitez déployer un modèle TensorFlow sur des appareils IoT Linux tels que Raspberry Pi, vous pouvez consulter ces tutoriels traitant de la mise en œuvre des tâches de vision par ordinateur sur les appareils IoT.
Effectuez une classification en temps réel des images diffusées en streaming à partir de la caméra Pi.
Effectuez une détection d'objets en temps réel à l'aide des images diffusées en streaming à partir de la caméra Pi.
Si vous souhaitez déployer un modèle TensorFlow sur des microcontrôleurs dont les ressources sont beaucoup plus limitées, commencez par parcourir ces tutoriels qui illustrent un workflow de bout en bout, du développement d'un modèle TensorFlow à son déploiement sur un microcontrôleur avec TensorFlow Lite Micro en passant par sa conversion au format TensorFlow Lite.
Entraînez un petit modèle de reconnaissance vocale capable de détecter des mots clés simples.
Entraînez un modèle capable de reconnaître différents gestes à l'aide des données de l'accéléromètre.

Étapes suivantes

Une fois que vous vous êtes familiarisé avec l'entraînement d'un modèle TensorFlow, sa conversion au format TensorFlow Lite et son déploiement sur des applications mobiles, vous pouvez consulter les documents ci-dessous pour en apprendre davantage sur TensorFlow Lite :

  • Consultez les différents tutoriels spécialisés (vision, reconnaissance vocale, etc.) accessibles depuis la barre de navigation de gauche. Ils vous expliquent comment entraîner un modèle pour une tâche de machine learning spécifique, comme la détection d'objets ou l'analyse des sentiments.
  • Pour en savoir plus sur le workflow de développement, consultez le Guide TensorFlow Lite. Vous trouverez des informations détaillées sur les fonctionnalités de TensorFlow Lite, telles que la conversion de modèles ou l'optimisation de modèles.
  • Consultez ce cours en ligne gratuit sur TensorFlow Lite.

Blogs et vidéos

Abonnez-vous au blog, à la chaîne YouTube et à la page Twitter de TensorFlow pour être informé des dernières mises à jour.