Este documento describe cómo clasificar imágenes con TensorFlow Lite en dispositivos móviles. Explica que TensorFlow Lite permite ejecutar modelos de aprendizaje profundo en Android e iOS de forma optimizada. Detalla los pasos para construir un modelo de detección de objetos con TensorFlow y convertirlo a un formato compatible con dispositivos móviles usando cuantificación y otras técnicas de optimización. Finalmente, menciona algunas aplicaciones que usan esta tecnología para clasificar imágenes en tiempo real en teléfonos inteligentes y

1. Clasificación de imágenes
con TensorFlow Lite
Por Arturo Guerrero

2. Introducción

3. ¿ Por qué ?

4. Deep Learning

5. • Liberia open source de Google’s para Machine
Intelligence.
• TensorFlow.org fue lanzado en Noviembre del
2015.
• Usado para muchos proyectos de Machine
Learning.
TensorFlow

6. Redes Neuronales en TensorFlow

7. ¿ Quién usa TensorFlow ?

8. • Android
• iOS
• Raspberry Pi
TensorFlow en Móviles
Plataformas móviles
Optimizaciones
• Quantization
• Muchas más…

9. Build con Bazel
Instalar:
• TensorFlow
• Bazel
• Android Studio (opcional)
• Android NDK
• Android SDK
Configurar:
Editar tensorflow/WORKSPACE

10. Build con Gradle
Build.gradle
Archivos de modelos precargados:
download-models.gradle

11. Programando con el API
TensorFlowObjectDetectionAPIModel.java

12. Demo 1

13. Demo 2

14. RGB
Pet Detect
Redes neuronales convolucionales (CNN)

15. + images/
+ annotations/
Contenido:
Dataset

16. Model name Speed COCO mAP Outputs
ssd_mobilenet_v1_coco Fast 21 Boxes
ssd_inception_v2_coco Fast 24 Boxes
rfcn_resnet101_coco Medium 30 Boxes
faster_rcnn_resnet101_coco Medium 32 Boxes
faster_rcnn_inception_resnet_v2_atrous_coco Slow 37 Boxes
+ graph.pbtxt
+ model.ckpt.data-00000-of-00001
+ model.ckpt.index
+ model.ckpt.meta
+ frozen_inference_graph.pb
Contenido
Common Objects in Context
Modelo de detección con TensorFlow

17. ML Engine
Convertir a TFRecord
Subir archivos a la nube

18. ML Engine
Empezar el entrenamiento
Empezar la evaluación

19. Entrenamiento

20. Performance: 91.72 % Precision: 84.91 %
Análisis

21. Build
Instalar
Agregar el modelo dentro de tu app
Abrir en Android Studio
Implementación

22. ¿Qué hace posible todo esto?
• Nuevo tiempo de ejecución con
TensorFlow.
• Optimizado para móviles y
embedded apps.
• Ejecutar modelos de TensorFlow
en los dispositivos.
• Aprovechar la API de Android NN.

23. ¿ Cómo se esta usando?

24. Aplicaciones

25. Resumen
• Modelos de TensorFlow
https://github.com/tensorflow/models
• Tensorflow en móviles
www.tensorflow.org/mobile
• Cloud ML Engine
cloud.google.com/ml