使用Flutter和TensorFlow Lite构建一个端到端的图像分类器。
没有机器学习模型是有价值的，除非它被部署到生产中 - Luigi Patruno，MLinProduction.com的创始人
机器学习不仅仅是创建模型和预测它的答案。我们需要让这些模型在生产中发挥作用。
拥有一个可以帮助任何人（不知道如何编码的人）使用模型并从中做出预测的应用程序将是 投资组合的福音。部署也是一种技能，在招聘机器学习工程师和数据科学家的时候会考虑到。该项目将突出你在机器学习和在各种框架中部署模型的相关技能。
事实上，根据Gartner Inc.的数据，大多数开发人员在部署方面遇到了困难。
有各种工具来部署，如Docker、Kubernetes、Heroku、Django、Flask、TensorFlow.js、TensorFlow Lite。
这次我们将尝试用TensorFlow Lite来部署我们的模型，使用Flutter。我们将创建一个Flutter应用程序，对我们提供的图片中的动物是猫还是狗进行分类。
这里我们假设我们已经创建了使用CatsVSDogs数据集训练的模型。我们将把该模型转换为TFLite。
在pubspec.yaml中，有3个重要的包需要添加，它们是TFLite、SplashScreen和image_picker。
main.dart将包含一个无状态的widget，它将有一个MySplash主页。
splashscreen.dart将在屏幕上停留2秒，它将加载所有运行应用程序所需的资产，然后它将引导我们进入应用程序的主要部分，也就是App home。
下一个文件将有所有的功能和方法要做。我们将使用Tflite.LoadModel来加载我们的.tflite CNN模型和标签将在labels.txt文件。Tflite.runModelOnImage做预处理，将返回预测结果。我们将使用图像采集器模块，从画廊或从相机加载图像。
在home.dart文件中实现的方法。
这个项目的所有源代码和资源都在这个链接中。在设置好一切，包括lib文件夹中的三个文件，添加软件包，以及改变iOS的runner文件夹和Android的Gradle中的配置后，你可以在你的Android模拟器或设备中运行该应用程序。
