MediaPipe-TextClassifier-AverageWord
ультрабыстрый классификатор тональности
2 мин чтенияобновлено
Компактная англоязычная модель на базе архитектуры average word embedding (усреднённые векторные представления слов), упакованная в файл формата .tflite размером всего 776 КБ. Она обучена на датасете кинорецензий SST-2 и предназначена для бинарной оценки тональности текста (определение позитивных и негативных отзывов). Модель разработана для экосистемы Google MediaPipe и может работать прямо на мобильных устройствах или в браузере. Она отлично подойдёт разработчикам, которым нужно быстро и без тяжелых нейросетей встроить анализ настроения в мобильное, веб- или десктопное приложение.
Ключевые особенности
- Миниатюрный размер: Вес модели составляет всего 776 КБ (формат FP32), что позволяет легко встраивать её в клиентские приложения.
- Высокая скорость работы: На устройстве Google Pixel 6 средняя задержка процессора составляет всего 0.14 мс.
- Встроенные метаданные: Внутри
TFLITE_METADATAуже упакованы словарь на 10,003 токена (vocab.txt) и файл меток (labels.txt). - Кроссплатформенность: Полная поддержка через фреймворк MediaPipe для Python, JavaScript, Android, iOS и Flutter.
Что можно сделать
- Интеграция в мобильное приложение: Быстро оценивать тональность пользовательских отзывов или сообщений локально на Android или iOS.
- Веб-анализ в браузере: Обрабатывать короткий пользовательский ввод прямо на стороне клиента без отправки запросов на сервер.
- Анализ текста на Python: Быстро классифицировать отзывы, комментарии или короткие текстовые сниппеты в скриптах.
Пример
Пример кода для классификации текста с помощью Python и библиотеки mediapipe:
import mediapipe as mp
from huggingface_hub import hf_hub_download
model_path = hf_hub_download(repo_id="litert-community/MediaPipe-TextClassifier-AverageWord", filename="average_word_classifier.tflite")
BaseOptions = mp.tasks.BaseOptions
TextClassifier = mp.tasks.text.TextClassifier
TextClassifierOptions = mp.tasks.text.TextClassifierOptions
options = TextClassifierOptions(base_options=BaseOptions(model_asset_path=model_path))
with TextClassifier.create_from_options(options) as classifier:
result = classifier.classify("An unforgettable and genuinely moving film!")
for cat in result.classifications[0].categories:
print(f"{cat.category_name}: {cat.score:.3f}")Подробнее
Бенчмарки: CPU latency на Pixel 6 — 0.14 msТребования к железу: ультралёгкая модель для запуска на CPU мобильных устройств и ПК
Ограничения: только английский язык; возможна деградация точности на досках объявлений, сарказме или длинных многопредложенческих текстах
Лицензия: Apache-2.0










Комментарии