teachable machine lite

Lite da máquina ensinável

Por: Meqdad Darwish

Descrição

Um pacote Python leve otimizado para integrar modelos exportados da plataforma de máquina ensinável do Google em ambientes de robótica e sistemas incorporados. Esta versão simplificada do pacote de máquina ensinável é projetada especificamente para dispositivos com restrição de recursos, facilitando a implantação e o uso de seus modelos treinados em aplicativos incorporados. Com foco na eficiência e dependências mínimas, essa ferramenta mantém a funcionalidade principal, sendo mais adequada para projetos de robótica e IoT.

O código -fonte é publicado no GitHub

Leia mais sobre o projeto (requisitos, instalação, exemplos e muito mais) no site de documentação

Classificadores suportados

Classificação da imagem : Use o modelo de Lite Tensorflow Exportado e Quantizado da plataforma de máquina ensinável (um arquivo de modelo com extensão tflite ).

Requisitos

Para obter informações detalhadas sobre os requisitos e dependências do pacote, visite nossa documentação

 Python >= 3.9

 numpy < 2.0 (v1.26.4 recommended)

Como instalar o pacote de lite de máquina ensinável

pip install teachable-machine-lite

Dependências

numpy
tflite-runtime
Pillow

Exemplo

Um exemplo para o pacote de lite de máquina de ensino com o 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 ()

Os valores dos results são atribuídos com base no conteúdo do arquivo de labels.txt .

Para mais; Dê uma olhada nesses exemplos

Links:

• Documentação

• Pypi

• Código -fonte

• Plataforma de máquina ensinável