Aprendizaje automático en el borde utilizando TensorFlow Lite

Rate this content
Bookmark

¿Qué pasaría si pudieras realizar aprendizaje automático en el borde, es decir, en tu dispositivo móvil? Esto significaría que ya no necesitarías el viaje de ida y vuelta al servidor, ningún dato saldrá del dispositivo y ni siquiera necesitarías una conexión a internet. En esta sesión obtendrás una introducción a TensorFlow Lite para que puedas usarlo en tus propios proyectos.


FAQ

TensorFlow Lite es un marco de aprendizaje profundo de código abierto diseñado para implementar modelos de aprendizaje automático en dispositivos móviles e IoT, como Raspberry Pi o microcontroladores pequeños.

TensorFlow Lite cuenta con dos componentes principales: el intérprete de TensorFlow Lite, que ejecuta modelos optimizados en diferentes tipos de hardware, y el convertidor de TensorFlow Lite, que convierte modelos de TensorFlow en una forma más eficiente.

TensorFlow Lite es preferible por varias razones, incluyendo menor latencia al realizar todo en el dispositivo, mayor privacidad ya que los datos del usuario permanecen locales, y no requiere conexión a Internet, lo cual es ideal para dispositivos con limitada potencia de transmisión.

Para la detección de objetos con TensorFlow Lite, primero se selecciona un modelo pre-entrenado o personalizado, se convierte al formato de TensorFlow Lite y se implementa en un dispositivo como Raspberry Pi. Durante la inferencia, se prepara la entrada de imagen, se realiza la inferencia y se obtienen los resultados.

TensorFlow Lite soporta varios lenguajes de programación, incluyendo Java, Swift, Objective-C, C++ y Python, lo que permite a los desarrolladores elegir según su conveniencia y el proyecto que estén desarrollando.

TensorFlow Lite tiene aplicaciones prácticas en diversos campos, como la agricultura, donde se utiliza para detectar enfermedades en cultivos mediante dispositivos móviles, ayudando a los agricultores a tomar medidas preventivas o curativas.

Puedes encontrar más información y recursos sobre TensorFlow Lite en la documentación oficial de TensorFlow, en conferencias como Google IO, y en cursos disponibles en plataformas como Coursera.

Håkan Silfvernagel
Håkan Silfvernagel
8 min
02 Jul, 2021

Comments

Sign in or register to post your comment.

Video Summary and Transcription

Håkan Silvernagel presenta TensorFlow Lite, un marco de aprendizaje profundo de código abierto para implementar modelos de aprendizaje automático en dispositivos móviles e IoT. Destaca los beneficios de usar TensorFlow Lite, como la latencia reducida, la mayor privacidad y la mejor conectividad. La charla incluye una demostración de las capacidades de reconocimiento de objetos y un ejemplo del mundo real de cómo usar TensorFlow Lite para detectar una enfermedad que afecta a los agricultores en Tanzania. Se proporcionan referencias a la documentación oficial de TensorFlow, la conferencia Google IO y los cursos de TensorFlow en Coursera.

1. Introducción a TensorFlow Lite

Short description:

En esta parte, Håkan Silvernagel presenta TensorFlow Lite, un marco de aprendizaje profundo de código abierto para implementar modelos de aprendizaje automático en dispositivos móviles e IoT. Explica los dos componentes principales de TensorFlow Lite, el intérprete y el convertidor, y destaca los beneficios de usar TensorFlow Lite, como la latencia reducida, la mayor privacidad y la mejor conectividad. Håkan también menciona la disponibilidad de múltiples API y la capacidad de usar modelos pre-entrenados para tareas comunes de aprendizaje automático. Concluye mencionando el uso de un modelo pre-entrenado para la detección de objetos en una Raspberry Pi dentro de un robot TJ.

Buenos días, buenas tardes y buenas noches. Mi nombre es Håkan Silvernagel, voy a hablar sobre cómo puedes hacer aprendizaje automático en el borde utilizando TensorFlow Lite. Trabajo como gerente de IA y big data en una empresa de consultoría noruega llamada Myles y también soy un Microsoft MVP. Pero el tema aquí hoy es TensorFlow Lite.

Entonces, ¿qué es TensorFlow Lite? Bueno, es un marco de aprendizaje profundo de código abierto para implementar modelos de aprendizaje automático en dispositivos móviles e IoT. Puede ser en, por ejemplo, una Raspberry Pi que mostraré un poco más tarde o en un microcontrolador pequeño. La forma en que funciona es que TensorFlow Lite tiene dos componentes principales. Hay un intérprete de TensorFlow Lite. Lo que hace es ejecutar modelos de TensorFlow optimizados en diferentes tipos de hardware. Y luego tenemos el convertidor de TensorFlow Lite. El convertidor convierte modelos regulares de TensorFlow en una forma mucho más eficiente, que ha sido optimizada tanto para mejorar el tamaño binario como el rendimiento.

Puede que te preguntes, ¿por qué debería usar TensorFlow Lite? Hay varios argumentos aquí por qué preferiríamos usar TensorFlow Lite. Uno de ellos tiene que ver con la latencia. Dado que todo lo que hacemos se realiza en el dispositivo, no es necesario un viaje de ida y vuelta entre el cliente y el servidor. Y también en términos de privacidad, los datos del usuario estarán locales. Eso significa que tienes una mayor seguridad. Y también en términos de conectividad, no se requiere una conexión a Internet. Además, muchos de estos dispositivos pequeños no tienen suficiente potencia para alimentar un transmisor de radio. Y también hay múltiples API aquí. Puedes usar Java, Swift, Objective-C, C++ o Python. Hay mucho potencial. Y lo último, que quizás sea lo más importante aquí, es que puedes usar modelos pre-entrenados para tareas comunes de aprendizaje automático. La forma en que funciona es que eliges un modelo, ya sea tu propio modelo o puedes elegir uno de estos modelos pre-entrenados. Luego puedes convertir tu modelo al formato de TensorFlow Lite. Y luego, después de eso, lo implementas en tu dispositivo. Y también puedes optimizar algunos aspectos del modelo. En esta diapositiva, podemos ver algunos de los modelos pre-entrenados que puedes usar. Usaremos un modelo para la detección de objetos en un momento. Cuando ejecutemos la detección de objetos, lo haremos en una Raspberry Pi, que está dentro de un robot TJ. Y luego podrá reconocer diferentes tipos de objetos.

2. Using a Preoptimized Mobile Net SSD for Inference

Short description:

Utilizaremos una red móvil preoptimizada SSD entrenada en el conjunto de datos CocoaDat. Los cuatro pasos principales para la inferencia son inicializar el intérprete, preparar la entrada de imagen, realizar la inferencia y obtener y mapear los resultados. El proceso implica cargar el intérprete, asignar tensores, preparar la entrada de imagen desde la cámara de video, realizar la inferencia y obtener las coordenadas del cuadro delimitador, el índice de clase y el nivel de confianza de los objetos detectados. Una demostración rápida en el dispositivo Raspberry Pi muestra el reconocimiento de una persona pero enfrenta algunos problemas con el reconocimiento de objetos.

Utilizaremos una red móvil preoptimizada SSD entrenada en el conjunto de datos CocoaDat. Por lo tanto, Cocoa está entrenada en 80 categorías de objetos. Y tendremos un archivo de etiquetas que mapeará la salida de los modelos para que sepamos qué es en texto. Este es un ejemplo del enlace de GitHub que puedes ver en la diapositiva. También puedes descargar el archivo de modelo TF Lite y el archivo de etiquetas desde la URL a continuación.

Al realizar la inferencia, hay cuatro pasos principales que debemos realizar. Uno de ellos es inicializar el intérprete. El segundo es preparar la entrada de imagen. El tercero es realizar la inferencia. Y el último paso es obtener y mapear los resultados.

Cargamos el intérprete desde el tiempo de ejecución de TF Lite. Luego asignamos los tensores, el tensor de entrada y el tensor de salida. En nuestro segundo paso, debemos preparar la entrada de imagen. Ahora tomaremos una imagen de la cámara de video. Definimos una clase, clase de transmisión de video. Y luego lo que queremos hacer es leer desde la transmisión, desde la transmisión de la cámara. Iniciamos un bucle infinito aquí, donde simplemente tomamos el último fotograma de la cámara de la transmisión y luego lo devolvemos a la aplicación que llama. Luego, en nuestra aplicación, definimos un objeto de transmisión de video. Y luego simplemente adquirimos el fotograma y luego hacemos un cambio de tamaño al tamaño correcto para TensorFlow. Y luego realizamos la inferencia. Apuntamos a los datos que se utilizarán para esta prueba y luego ejecutamos el intérprete ejecutando invoke. Y finalmente, simplemente obtenemos y mapeamos los resultados.

En este caso, obtenemos el cuadro delimitador con las coordenadas de los objetos y también obtenemos el índice de clase de los objetos detectados y el nivel de confianza de los objetos. Permítanme cambiar aquí para una demostración rápida. Ahora estamos en el dispositivo Raspberry Pi. Y luego puedo sostener un objeto aquí para la Raspberry Pi. Y luego podemos ver que reconoce a la persona, que soy yo. Tiene algunos problemas aquí al reconocer mi objeto. Permítanme probar otro objeto.

Check out more articles and videos

We constantly think of articles and videos that might spark Git people interest / skill us up or help building a stellar career

Charlie Gerard's Career Advice: Be intentional about how you spend your time and effort
6 min
Charlie Gerard's Career Advice: Be intentional about how you spend your time and effort
Featured Article
Charlie Gerard
Jan Tomes
2 authors
When it comes to career, Charlie has one trick: to focus. But that doesn’t mean that you shouldn’t try different things — currently a senior front-end developer at Netlify, she is also a sought-after speaker, mentor, and a machine learning trailblazer of the JavaScript universe. "Experiment with things, but build expertise in a specific area," she advises.

What led you to software engineering?My background is in digital marketing, so I started my career as a project manager in advertising agencies. After a couple of years of doing that, I realized that I wasn't learning and growing as much as I wanted to. I was interested in learning more about building websites, so I quit my job and signed up for an intensive coding boot camp called General Assembly. I absolutely loved it and started my career in tech from there.
 What is the most impactful thing you ever did to boost your career?I think it might be public speaking. Going on stage to share knowledge about things I learned while building my side projects gave me the opportunity to meet a lot of people in the industry, learn a ton from watching other people's talks and, for lack of better words, build a personal brand.
 What would be your three tips for engineers to level up their career?Practice your communication skills. I can't stress enough how important it is to be able to explain things in a way anyone can understand, but also communicate in a way that's inclusive and creates an environment where team members feel safe and welcome to contribute ideas, ask questions, and give feedback. In addition, build some expertise in a specific area. I'm a huge fan of learning and experimenting with lots of technologies but as you grow in your career, there comes a time where you need to pick an area to focus on to build more profound knowledge. This could be in a specific language like JavaScript or Python or in a practice like accessibility or web performance. It doesn't mean you shouldn't keep in touch with anything else that's going on in the industry, but it means that you focus on an area you want to have more expertise in. If you could be the "go-to" person for something, what would you want it to be? 
 And lastly, be intentional about how you spend your time and effort. Saying yes to everything isn't always helpful if it doesn't serve your goals. No matter the job, there are always projects and tasks that will help you reach your goals and some that won't. If you can, try to focus on the tasks that will grow the skills you want to grow or help you get the next job you'd like to have.
 What are you working on right now?Recently I've taken a pretty big break from side projects, but the next one I'd like to work on is a prototype of a tool that would allow hands-free coding using gaze detection. 
 Do you have some rituals that keep you focused and goal-oriented?Usually, when I come up with a side project idea I'm really excited about, that excitement is enough to keep me motivated. That's why I tend to avoid spending time on things I'm not genuinely interested in. Otherwise, breaking down projects into smaller chunks allows me to fit them better in my schedule. I make sure to take enough breaks, so I maintain a certain level of energy and motivation to finish what I have in mind.
 You wrote a book called Practical Machine Learning in JavaScript. What got you so excited about the connection between JavaScript and ML?The release of TensorFlow.js opened up the world of ML to frontend devs, and this is what really got me excited. I had machine learning on my list of things I wanted to learn for a few years, but I didn't start looking into it before because I knew I'd have to learn another language as well, like Python, for example. As soon as I realized it was now available in JS, that removed a big barrier and made it a lot more approachable. Considering that you can use JavaScript to build lots of different applications, including augmented reality, virtual reality, and IoT, and combine them with machine learning as well as some fun web APIs felt super exciting to me.


Where do you see the fields going together in the future, near or far? I'd love to see more AI-powered web applications in the future, especially as machine learning models get smaller and more performant. However, it seems like the adoption of ML in JS is still rather low. Considering the amount of content we post online, there could be great opportunities to build tools that assist you in writing blog posts or that can automatically edit podcasts and videos. There are lots of tasks we do that feel cumbersome that could be made a bit easier with the help of machine learning.
 You are a frequent conference speaker. You have your own blog and even a newsletter. What made you start with content creation?I realized that I love learning new things because I love teaching. I think that if I kept what I know to myself, it would be pretty boring. If I'm excited about something, I want to share the knowledge I gained, and I'd like other people to feel the same excitement I feel. That's definitely what motivated me to start creating content.
 How has content affected your career?I don't track any metrics on my blog or likes and follows on Twitter, so I don't know what created different opportunities. Creating content to share something you built improves the chances of people stumbling upon it and learning more about you and what you like to do, but this is not something that's guaranteed. I think over time, I accumulated enough projects, blog posts, and conference talks that some conferences now invite me, so I don't always apply anymore. I sometimes get invited on podcasts and asked if I want to create video content and things like that. Having a backlog of content helps people better understand who you are and quickly decide if you're the right person for an opportunity.What pieces of your work are you most proud of?It is probably that I've managed to develop a mindset where I set myself hard challenges on my side project, and I'm not scared to fail and push the boundaries of what I think is possible. I don't prefer a particular project, it's more around the creative thinking I've developed over the years that I believe has become a big strength of mine.***Follow Charlie on Twitter
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
ML conf EU 2020ML conf EU 2020
41 min
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
Descubre cómo aprovechar el aprendizaje automático en JavaScript utilizando TensorFlow.js en el navegador y más allá en esta charla rápida. Inspírate a través de un montón de prototipos creativos que empujan los límites de lo que es posible en el navegador web moderno (las cosas han avanzado mucho) y luego da tus primeros pasos con el aprendizaje automático en minutos. Al final de la charla, todos entenderán cómo reconocer un objeto de su elección que luego se puede utilizar de cualquier manera creativa que puedas imaginar. Se asume familiaridad con JavaScript, pero no se requiere experiencia en aprendizaje automático. ¡Ven y da tus primeros pasos con TensorFlow.js!
Uso de MediaPipe para Crear Aplicaciones de Aprendizaje Automático Multiplataforma con React
React Advanced Conference 2021React Advanced Conference 2021
21 min
Uso de MediaPipe para Crear Aplicaciones de Aprendizaje Automático Multiplataforma con React
Top Content
Esta charla ofrece una introducción sobre MediaPipe, que es una solución de Aprendizaje Automático de código abierto que permite ejecutar modelos de aprendizaje automático en dispositivos de baja potencia y ayuda a integrar los modelos con aplicaciones móviles. Ofrece a estos profesionales creativos una gran cantidad de herramientas dinámicas y utiliza el Aprendizaje Automático de una manera realmente fácil para crear aplicaciones poderosas e intuitivas sin tener mucho / ningún conocimiento de aprendizaje automático de antemano. Así que podemos ver cómo MediaPipe puede ser integrado con React. Proporcionando un fácil acceso para incluir casos de uso de aprendizaje automático para construir aplicaciones web con React.
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
JSNation Live 2021JSNation Live 2021
39 min
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
Descubre cómo aprovechar el aprendizaje automático en JavaScript utilizando TensorFlow.js en el navegador y más allá en esta charla rápida. Inspírate a través de un montón de prototipos creativos que empujan los límites de lo que es posible en el navegador web moderno (las cosas han avanzado mucho) y luego da tus primeros pasos con el aprendizaje automático en minutos. Al final de la charla, todos entenderán cómo reconocer un objeto de su elección que luego se puede utilizar de cualquier manera creativa que puedas imaginar. Se asume familiaridad con JavaScript, pero no se requiere experiencia en aprendizaje automático. ¡Ven y da tus primeros pasos con TensorFlow.js!
Una introducción al aprendizaje por transferencia en NLP y HuggingFace
ML conf EU 2020ML conf EU 2020
32 min
Una introducción al aprendizaje por transferencia en NLP y HuggingFace
En esta charla comenzaré presentando los avances recientes en NLP que resultaron de la combinación de esquemas de aprendizaje por transferencia y arquitecturas de Transformer. La segunda parte de la charla estará dedicada a una introducción de las herramientas de código abierto lanzadas por HuggingFace, en particular nuestras bibliotecas Transformers, Tokenizers y Datasets y nuestros modelos.
Observabilidad con diagnostics_channel y AsyncLocalStorage
Node Congress 2023Node Congress 2023
21 min
Observabilidad con diagnostics_channel y AsyncLocalStorage
Los productos de trazado modernos funcionan combinando diagnostics_channel con AsyncLocalStorage. Construyamos juntos un trazador para ver cómo funciona y qué puedes hacer para hacer que tus aplicaciones sean más observables.

Workshops on related topic

Aprovechando LLMs para Construir Experiencias de IA Intuitivas con JavaScript
JSNation 2024JSNation 2024
108 min
Aprovechando LLMs para Construir Experiencias de IA Intuitivas con JavaScript
Workshop
Roy Derks
Shivay Lamba
2 authors
Hoy en día, todos los desarrolladores están utilizando LLMs en diferentes formas y variantes, desde ChatGPT hasta asistentes de código como GitHub CoPilot. Siguiendo esto, muchos productos han introducido capacidades de IA integradas, y en este masterclass haremos que los LLMs sean comprensibles para los desarrolladores web. Y nos adentraremos en la codificación de tu propia aplicación impulsada por IA. No se necesita experiencia previa en trabajar con LLMs o aprendizaje automático. En su lugar, utilizaremos tecnologías web como JavaScript, React que ya conoces y amas, al mismo tiempo que aprendemos sobre algunas nuevas bibliotecas como OpenAI, Transformers.js
¿Pueden los LLM aprender? Personalicemos un LLM para chatear con tus propios datos
C3 Dev Festival 2024C3 Dev Festival 2024
48 min
¿Pueden los LLM aprender? Personalicemos un LLM para chatear con tus propios datos
WorkshopFree
Andreia Ocanoaia
Andreia Ocanoaia
Sientes las limitaciones de los LLMs? Pueden ser creativos, pero a veces carecen de precisión o se basan en información desactualizada. En esta masterclass, desglosaremos el proceso de construir y desplegar fácilmente un sistema de Generación con Recuperación Mejorada. Este enfoque te permite aprovechar el poder de los LLMs con el beneficio adicional de precisión factual e información actualizada.
Deja que la IA sea tu Documentación
JSNation 2024JSNation 2024
69 min
Deja que la IA sea tu Documentación
Workshop
Jesse Hall
Jesse Hall
Únete a nuestro masterclass dinámico para crear un portal de documentación impulsado por IA. Aprende a integrar ChatGPT de OpenAI con Next.js 14, Tailwind CSS y tecnología de vanguardia para ofrecer soluciones de código e resúmenes instantáneos. Esta sesión práctica te equipará con el conocimiento para revolucionar la forma en que los usuarios interactúan con la documentación, convirtiendo las búsquedas tediosas en descubrimientos eficientes e inteligentes.
Aspectos destacados:
- Experiencia práctica en la creación de un sitio de documentación impulsado por IA.- Comprensión de la integración de la IA en las experiencias de usuario.- Habilidades prácticas con las últimas tecnologías de desarrollo web.- Estrategias para implementar y mantener recursos de documentación inteligente.
Tabla de contenidos:- Introducción a la IA en la documentación- Configuración del entorno- Construcción de la estructura de documentación- Integración de ChatGPT para documentación interactiva
Prácticas con TensorFlow.js
ML conf EU 2020ML conf EU 2020
160 min
Prácticas con TensorFlow.js
Workshop
Jason Mayes
Jason Mayes
Ven y descubre nuestro masterclass que te guiará a través de 3 recorridos comunes al usar TensorFlow.js. Comenzaremos demostrando cómo usar uno de nuestros modelos predefinidos, clases de JS muy fáciles de usar para trabajar rápidamente con ML. Luego veremos cómo volver a entrenar uno de estos modelos en minutos utilizando el aprendizaje por transferencia en el navegador a través de Teachable Machine y cómo se puede usar en tu propio sitio web personalizado. Finalmente, terminaremos con un hola mundo escribiendo tu propio código de modelo desde cero para hacer una regresión lineal simple y predecir los precios ficticios de las casas en función de sus metros cuadrados.
La Guía del Autoestopista de la Galaxia de Ingeniería de Aprendizaje Automático
ML conf EU 2020ML conf EU 2020
112 min
La Guía del Autoestopista de la Galaxia de Ingeniería de Aprendizaje Automático
Workshop
Alyona Galyeva
Alyona Galyeva
¿Eres un Ingeniero de Software al que se le asignó la tarea de implementar un modelo de aprendizaje automático o aprendizaje profundo por primera vez en tu vida? ¿Te preguntas qué pasos seguir y cómo se diferencia el software impulsado por IA del software tradicional? Entonces este es el masterclass adecuado al que asistir.
Internet ofrece miles de artículos y cursos gratuitos que muestran lo fácil que es entrenar e implementar un modelo de IA simple. Al mismo tiempo, en la realidad es difícil integrar un modelo real en la infraestructura actual, depurarlo, probarlo, implementarlo y monitorearlo correctamente. En este masterclass, te guiaré a través de este proceso compartiendo consejos, trucos y herramientas de código abierto favoritas que te facilitarán mucho la vida. Así que al final del masterclass, sabrás por dónde empezar tu viaje de implementación, qué herramientas utilizar y qué preguntas hacer.
Introducción al Aprendizaje Automático en la Nube
ML conf EU 2020ML conf EU 2020
146 min
Introducción al Aprendizaje Automático en la Nube
Workshop
Dmitry Soshnikov
Dmitry Soshnikov
Este masterclass será tanto una introducción suave al Aprendizaje Automático, como un ejercicio práctico de uso de la nube para entrenar modelos de aprendizaje automático simples y no tan simples. Comenzaremos utilizando ML Automático para entrenar el modelo para predecir la supervivencia en el Titanic, y luego pasaremos a tareas de aprendizaje automático más complejas como la optimización de hiperparámetros y la programación de series de experimentos en el clúster de cómputo. Finalmente, mostraré cómo Azure Machine Learning se puede utilizar para generar pinturas artificiales utilizando Redes Generativas Adversarias, y cómo entrenar un modelo de preguntas y respuestas de lenguaje en documentos de COVID para responder preguntas relacionadas con COVID.