teachable machine lite

Lehrbare Maschine Lite

Von: meqdad Darwish

Beschreibung

Ein leichtes Python -Paket, das für die Integration exportierter Modelle von Googles lehrbarer Maschinenplattform in Robotik und eingebettete Systemumgebungen optimiert wurde. Diese optimierte Version von lehrbarem Maschinenpaket wurde speziell für ressourcenbezogene Geräte entwickelt, sodass Sie Ihre geschulten Modelle in eingebetteten Anwendungen bereitstellen und verwenden. Mit einem Fokus auf Effizienz und minimale Abhängigkeiten behält dieses Tool die Kernfunktionalität bei, während sie besser für Robotik- und IoT -Projekte geeignet sind.

Der Quellcode wird auf GitHub veröffentlicht

Lesen Sie mehr über das Projekt (Anforderungen, Installation, Beispiele und mehr) auf der Dokumentations -Website

Unterstützte Klassifikatoren

Bildklassifizierung : Verwenden Sie das exportierte und quantisierte TensorFlow -Lite -Modell von der lehrbaren Maschinenplattform (eine Modelldatei mit tflite -Erweiterung).

Anforderungen

Ausführliche Informationen zu Paketanforderungen und Abhängigkeiten finden Sie in unserer Dokumentation

 Python >= 3.9

 numpy < 2.0 (v1.26.4 recommended)

So installieren Sie lehrbare Maschinen -Lite -Paket

pip install teachable-machine-lite

Abhängigkeiten

numpy
tflite-runtime
Pillow

Beispiel

Ein Beispiel für lehrbares Maschinen -Lite -Paket mit OpenCV:

 from teachable_machine_lite import TeachableMachineLite
import cv2 as cv

cap = cv . VideoCapture ( 0 )

model_path = "model.tflite"
labels_path = "labels.txt"
image_file_name = "screenshot.jpg"

tm_model = TeachableMachineLite ( model_path = model_path , labels_file_path = labels_path )

while True :
    ret , img = cap . read ()
    cv . imwrite ( image_file_name , img )

    results , resultImage = tm_model . classify_and_show ( image_file_name , convert_to_bgr = True )
    print ( "results:" , results )

    cv . imshow ( "Camera" , resultImage )
    k = cv . waitKey ( 1 )
    if k == 27 :  # Press ESC to close the camera view
        break

cap . release ()
cv . destroyAllWindows ()

Die Ergebnisse der results werden basierend auf dem Inhalt der labels.txt -Datei zugewiesen.

Für mehr; Schauen Sie sich diese Beispiele an

Links:

• Dokumentation

• Pypi

• Quellcode

• Lachbare Maschinenplattform