TensorFlow Lite を使ってみた。 - Qiita
概要 TensorFlow Liteを使って、TensorFlowで書かれたモデルを変換し、推論してみました。 その際に詰まったところや、計測時に出た疑問点を書いておきます。 他の方も同じようなことをされていましたが、TensorFlow や Python のバージョンの違いのせいか、うまくいかなかったので、それも比較しながら書いていきます。(以下、旧バージョンと書きます) 比較させていただいたサイト: https://qiita.com/yohachi/items/434f0da356161e82c242#%E5%8F%82%E8%80%83 環境 OS: ubuntu 16.04 LTS, Intel® Core™ i5-7200U CPU @ 2.50GHz × 4 Python: 3.5.2 TensorFlow: 1.12.0 (計測環境), 1.13.1（その他の準備環境など）
Kerasにおける重み／モデルの保存、読み込みについて - 知的好奇心
条件 Python 3.7.0 Keras 2.1.2 Kerasにおける保存／読み込み Kerasでは、混同しやすい保存／読み込みメソッドが存在します。 ちぐはぐな使い方をすると、読み込みの際に以下のようなエラーが出力され失敗します。 重みを保存（model.save_weights()）して、モデルを読み込む（models.load_model）。 ValueError: No model found in config file 重みの保存／読み込み 重みの保存には、「model.save_weights()」を使用します。 重みの読み込みには、「model.load_weights()」を使用します。 model.save_weights(filepath): モデルの重みをHDF5形式のファイルに保存します。 model.load_weights(filepath, by_nam
Google Colabを用いてPytorchのモデルをTFLiteに変換 - Qiita
何の記事？ PytorchのモデルからTensorflow Liteへの変換を、Google colabを用いて行う方法です。 Pytorch → ONNX import torch import torchvision.models as models model_name = "resnet50" dummy_input = torch.randn((1, 3, 224, 224)) model = models.resnet50() torch.onnx.export(model, dummy_input, "converted.onnx", verbose=True, input_names=['input'], output_names=['output']) !pip install onnx_tf from onnx_tf.backend import prepare imp
Keras | ResNet50つかって自前画像をtrain・testする - Qiita
学習の記事はあっても推論まで書いてる記事は少ない気がしたのでまとめます。 はじめに ①自前の画像使って学習・モデル保存→②保存したモデル使って推論 までの流れをやりたいと思います。 環境作るところは割愛します。足りないものはpip installしてみてください。 なぜKerasをつかうのか 理由はずばり、簡単だからです。 普段pytorchやtensorflowも使っていますが、書き方がわかりやすいのは断然Keras。一番ドキュメントわかりやすくて充実してるのもそうな気がします。自分で書いてみるディープラーニングのファーストステップにおすすめです。 Kerasドキュメント ①学習 ResNet50を使って画像の分類をやっていきます。 学習はこのあたりの記事と図書のコードが参考です ResNetをFine Tuningして自分が用意した画像を学習させる 詳解ディープラーニング コード全文
TensorFlow2 からTensorFlow Liteへのモデル変換 - Qiita
TensorFlow2で作ったモデルファイルをTensorFlow Lite形式に変換するメモ TensorFlow Lite converterに従う SavedModelディレクトリやtf.kerasのmodelをtfliteに変換できるらしい pythonのAPIで変換する方法が推奨されてる CLIもある python APIでコンバーター書く Converter Python API guide SavedModelの変換 converter = tf.lite.TFLiteConverter.from_saved_model("my_savedmodel") tflite_model = converter.convert() open("converted_model.tflite", "wb").write(tflite_model) # 事前にmy_modelオブジェクトを
MacでTensorFlow Lite + Coral USB Acceleratorを動かしてみる | DevelopersIO
TensorFlow LiteとCoral USB Acceleratorを使う機会があり、物体検出(Object Detection)を試してみました。Mac環境でCoral USB ACceleratorを動かせるようになったので動作手順を紹介します。 福岡のyoshihitohです。 最近業務でラズパイとCoral USB アクセラレータ(Edge TPU)を使ったシステムを構築する機会がありました。Coral USBアクセラレータを動かす場合はEdge TPUランタイムが必要なんですが、2020年1月の更新でこのランタイムをMacおよびWindows環境で利用できるようになりました。 January Updates | Coral 今回はMac環境でTensorFlow LiteとCoral USBアクセラレータを使って物体検出のサンプルアプリを動かしてみます。 前提環境 macO
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
