Watch demos on how to build & run AI-powered apps with Firebase at Demo Day '24. Watch now.

本頁面由 Cloud Translation API 翻譯而成。

在 iOS 上使用 TensorFlow Lite 模型進行推論

您可以使用 ML Kit，在裝置端透過 TensorFlow Lite 模型。

ML Kit 只能在搭載 iOS 9 和更新。

事前準備

如果尚未將 Firebase 加入應用程式，請按照下列步驟操作：入門指南中的步驟。
在 Podfile 中加入 ML Kit 程式庫：
```
pod 'Firebase/MLModelInterpreter', '6.25.0'
```
安裝或更新專案的 Pod 後，請務必開啟 Xcode 專案 .xcworkspace。
在應用程式中匯入 Firebase：
Swift
```
import Firebase
```
Objective-C
```
@import Firebase;
```
將你要使用的 TensorFlow 模型轉換為 TensorFlow Lite 格式。詳情請見 TOCO：TensorFlow Lite 最佳化轉換器。

託管或組合模型

使用 TensorFlow Lite 模型在應用程式中推論前，你必須必須向 ML Kit 提供模型ML Kit 可以使用 TensorFlow Lite 搭配應用程式二進位檔，或同時與應用程式二進位檔相容，藉此使用 Firebase 從遠端託管的模型。

在 Firebase 託管模型後，您無須發布新版應用程式，且您可以使用 Remote Config 和 A/B Testing 完成專為不同的使用者群組動態提供不同的模型。

如果您選擇僅透過 Firebase 託管模型，而非就能縮減應用程式的初始下載大小。不過請注意，如果模型未隨附於您的應用程式您的應用程式必須下載首次訓練模型

將模型與應用程式搭配使用，就能確保應用程式的機器學習功能 Firebase 託管的模型無法使用時仍能正常運作。

在 Firebase 上託管模型

如要在 Firebase 上託管 TensorFlow Lite 模型，請按照下列步驟操作：

在 Firebase 控制台的「ML Kit」專區中，按一下「自訂」分頁。
按一下「新增自訂模式」或「新增其他模式」。
指定要在 Firebase 中識別模型的名稱上傳 TensorFlow Lite 模型，然後上傳 TensorFlow Lite 模型檔案 (通常以 .tflite 或 .lite)。

在 Firebase 專案中加入自訂模型後，您就能參照在應用程式中使用您指定的名稱您隨時可以上傳新的 TensorFlow Lite 模型，您的應用程式就會下載新的模型就會在應用程式下次重新啟動時開始使用您可以定義，應用程式嘗試更新模型所需的條件 (詳見下文)。

將模型與應用程式組合

如要將 TensorFlow Lite 模型與應用程式組合，請新增模型檔案 (通常結尾為 .tflite 或 .lite)，請謹慎選取方法是複製軟體包資源。模型檔案就會包含在並提供給 ML Kit 使用。

載入模型

如要在應用程式中使用 TensorFlow Lite 模型，請先使用以下程式碼設定 ML Kit：模型可以使用的位置：透過 Firebase 遠端存取或兩者皆是如果您同時指定本機和遠端模型，則可可使用遠端模型 (如果有的話)，然後改回使用本機儲存的模型 (如果沒有遠端模型可用)。

設定 Firebase 託管的模型

如果您是使用 Firebase 代管模型，請建立 CustomRemoteModel 物件。請指定您在發布模型時為其指派的名稱：

Swift

let remoteModel = CustomRemoteModel(
  name: "your_remote_model"  // The name you assigned in the Firebase console.
)

Objective-C

// Initialize using the name you assigned in the Firebase console.
FIRCustomRemoteModel *remoteModel =
    [[FIRCustomRemoteModel alloc] initWithName:@"your_remote_model"];

接著，開始模型下載工作，指定您套用何種條件需要允許下載如果裝置上沒有該型號，或者是新型號就能以非同步方式下載該模型建立 Vertex AI 模型

Swift

let downloadConditions = ModelDownloadConditions(
  allowsCellularAccess: true,
  allowsBackgroundDownloading: true
)

let downloadProgress = ModelManager.modelManager().download(
  remoteModel,
  conditions: downloadConditions
)

Objective-C

FIRModelDownloadConditions *downloadConditions =
    [[FIRModelDownloadConditions alloc] initWithAllowsCellularAccess:YES
                                         allowsBackgroundDownloading:YES];

NSProgress *downloadProgress =
    [[FIRModelManager modelManager] downloadRemoteModel:remoteModel
                                             conditions:downloadConditions];

許多應用程式會在初始化程式碼中啟動下載工作，但您可以這麼做因此在您需要使用模型前

設定本機模型

如果將模型與應用程式組合，請建立 CustomLocalModel 物件。指定 TensorFlow Lite 模型的檔案名稱：

Swift

guard let modelPath = Bundle.main.path(
  forResource: "your_model",
  ofType: "tflite",
  inDirectory: "your_model_directory"
) else { /* Handle error. */ }
let localModel = CustomLocalModel(modelPath: modelPath)

Objective-C

NSString *modelPath = [NSBundle.mainBundle pathForResource:@"your_model"
                                                    ofType:@"tflite"
                                               inDirectory:@"your_model_directory"];
FIRCustomLocalModel *localModel =
    [[FIRCustomLocalModel alloc] initWithModelPath:modelPath];

根據模型建立翻譯器

設定模型來源後，請建立 ModelInterpreter 物件。

如果您只有本機組合模型，只需傳遞 CustomLocalModel 新增至 modelInterpreter(localModel:)：

Swift

let interpreter = ModelInterpreter.modelInterpreter(localModel: localModel)

Objective-C

FIRModelInterpreter *interpreter =
    [FIRModelInterpreter modelInterpreterForLocalModel:localModel];

如果您使用的是遠端託管的模型，則須檢查該模型是否已執行前已下載完成您可以查看模型下載狀態工作使用模型管理員的 isModelDownloaded(remoteModel:) 方法。

雖然您不必在執行翻譯前進行確認同時擁有遠端託管和本機封裝模型在將 ModelInterpreter 例項化時執行這項檢查：建立從遠端模型下載反之。

Swift

var interpreter: ModelInterpreter
if ModelManager.modelManager().isModelDownloaded(remoteModel) {
  interpreter = ModelInterpreter.modelInterpreter(remoteModel: remoteModel)
} else {
  interpreter = ModelInterpreter.modelInterpreter(localModel: localModel)
}

Objective-C

FIRModelInterpreter *interpreter;
if ([[FIRModelManager modelManager] isModelDownloaded:remoteModel]) {
  interpreter = [FIRModelInterpreter modelInterpreterForRemoteModel:remoteModel];
} else {
  interpreter = [FIRModelInterpreter modelInterpreterForLocalModel:localModel];
}

如果只有遠端託管的模型，請停用模型相關功能，例如顯示為灰色或隱藏部分 UI，直到您確認模型已下載完成

您可以將觀察器附加至預設值，取得模型下載狀態通知中心。請務必在觀察器中對 self 使用較弱的參照因此，下載作業可能需要一些時間，而且原始物件可下載完成後就會釋出空間。例如：

Swift

NotificationCenter.default.addObserver(
    forName: .firebaseMLModelDownloadDidSucceed,
    object: nil,
    queue: nil
) { [weak self] notification in
    guard let strongSelf = self,
        let userInfo = notification.userInfo,
        let model = userInfo[ModelDownloadUserInfoKey.remoteModel.rawValue]
            as? RemoteModel,
        model.name == "your_remote_model"
        else { return }
    // The model was downloaded and is available on the device
}

NotificationCenter.default.addObserver(
    forName: .firebaseMLModelDownloadDidFail,
    object: nil,
    queue: nil
) { [weak self] notification in
    guard let strongSelf = self,
        let userInfo = notification.userInfo,
        let model = userInfo[ModelDownloadUserInfoKey.remoteModel.rawValue]
            as? RemoteModel
        else { return }
    let error = userInfo[ModelDownloadUserInfoKey.error.rawValue]
    // ...
}

Objective-C

__weak typeof(self) weakSelf = self;

[NSNotificationCenter.defaultCenter
    addObserverForName:FIRModelDownloadDidSucceedNotification
                object:nil
                 queue:nil
            usingBlock:^(NSNotification *_Nonnull note) {
              if (weakSelf == nil | note.userInfo == nil) {
                return;
              }
              __strong typeof(self) strongSelf = weakSelf;

              FIRRemoteModel *model = note.userInfo[FIRModelDownloadUserInfoKeyRemoteModel];
              if ([model.name isEqualToString:@"your_remote_model"]) {
                // The model was downloaded and is available on the device
              }
            }];

[NSNotificationCenter.defaultCenter
    addObserverForName:FIRModelDownloadDidFailNotification
                object:nil
                 queue:nil
            usingBlock:^(NSNotification *_Nonnull note) {
              if (weakSelf == nil | note.userInfo == nil) {
                return;
              }
              __strong typeof(self) strongSelf = weakSelf;

              NSError *error = note.userInfo[FIRModelDownloadUserInfoKeyError];
            }];

指定模型的輸入和輸出內容

接下來，設定模型解譯器的輸入和輸出格式。

TensorFlow Lite 模型會做為輸入內容，並產生一或多個輸出內容多維度陣列這些陣列包含 byte int、long 或 float 值。您必須設定 ML Kit，方法是使用模型用途

如果您不知道模型輸入和輸出的形狀和資料類型，您可以使用 TensorFlow Lite Python 解譯器檢查模型。例如：

import tensorflow as tf

interpreter = tf.lite.Interpreter(model_path="my_model.tflite")
interpreter.allocate_tensors()

# Print input shape and type
print(interpreter.get_input_details()[0]['shape'])  # Example: [1 224 224 3]
print(interpreter.get_input_details()[0]['dtype'])  # Example: <class 'numpy.float32'>

# Print output shape and type
print(interpreter.get_output_details()[0]['shape'])  # Example: [1 1000]
print(interpreter.get_output_details()[0]['dtype'])  # Example: <class 'numpy.float32'>

決定模型輸入和輸出內容的格式後，請設定自訂應用程式模型翻譯工具 ModelInputOutputOptions 物件。

以浮點圖像分類模型為例 Nx224x224x3 的 Float 值陣列，代表整批 N 大小為 224x224 三通道 (RGB) 的圖片，並產生 1000 個 Float 值，每個值都代表圖片所屬是模型預測的 1000 個類別之一

針對這類模型，您可以設定模型解譯器的輸入和輸出內容如下所示：

Swift

let ioOptions = ModelInputOutputOptions()
do {
    try ioOptions.setInputFormat(index: 0, type: .float32, dimensions: [1, 224, 224, 3])
    try ioOptions.setOutputFormat(index: 0, type: .float32, dimensions: [1, 1000])
} catch let error as NSError {
    print("Failed to set input or output format with error: \(error.localizedDescription)")
}

Objective-C

FIRModelInputOutputOptions *ioOptions = [[FIRModelInputOutputOptions alloc] init];
NSError *error;
[ioOptions setInputFormatForIndex:0
                             type:FIRModelElementTypeFloat32
                       dimensions:@[@1, @224, @224, @3]
                            error:&error];
if (error != nil) { return; }
[ioOptions setOutputFormatForIndex:0
                              type:FIRModelElementTypeFloat32
                        dimensions:@[@1, @1000]
                             error:&error];
if (error != nil) { return; }

對輸入資料執行推論

最後，如要使用模型進行推論，取得輸入資料模型可能需要的資料轉換，接著建構包含資料的 Data 物件。

舉例來說，假設模型處理圖片，且模型設有輸入維度在 [BATCH_SIZE, 224, 224, 3] 個浮點值裡，您可能需要縮放圖片色彩值到浮點範圍，如以下範例所示：

Swift

let image: CGImage = // Your input image
guard let context = CGContext(
  data: nil,
  width: image.width, height: image.height,
  bitsPerComponent: 8, bytesPerRow: image.width * 4,
  space: CGColorSpaceCreateDeviceRGB(),
  bitmapInfo: CGImageAlphaInfo.noneSkipFirst.rawValue
) else {
  return false
}

context.draw(image, in: CGRect(x: 0, y: 0, width: image.width, height: image.height))
guard let imageData = context.data else { return false }

let inputs = ModelInputs()
var inputData = Data()
do {
  for row in 0 ..< 224 {
    for col in 0 ..< 224 {
      let offset = 4 * (col * context.width + row)
      // (Ignore offset 0, the unused alpha channel)
      let red = imageData.load(fromByteOffset: offset+1, as: UInt8.self)
      let green = imageData.load(fromByteOffset: offset+2, as: UInt8.self)
      let blue = imageData.load(fromByteOffset: offset+3, as: UInt8.self)

      // Normalize channel values to [0.0, 1.0]. This requirement varies
      // by model. For example, some models might require values to be
      // normalized to the range [-1.0, 1.0] instead, and others might
      // require fixed-point values or the original bytes.
      var normalizedRed = Float32(red) / 255.0
      var normalizedGreen = Float32(green) / 255.0
      var normalizedBlue = Float32(blue) / 255.0

      // Append normalized values to Data object in RGB order.
      let elementSize = MemoryLayout.size(ofValue: normalizedRed)
      var bytes = [UInt8](repeating: 0, count: elementSize)
      memcpy(&bytes, &normalizedRed, elementSize)
      inputData.append(&bytes, count: elementSize)
      memcpy(&bytes, &normalizedGreen, elementSize)
      inputData.append(&bytes, count: elementSize)
      memcpy(&ammp;bytes, &normalizedBlue, elementSize)
      inputData.append(&bytes, count: elementSize)
    }
  }
  try inputs.addInput(inputData)
} catch let error {
  print("Failed to add input: \(error)")
}

Objective-C

CGImageRef image = // Your input image
long imageWidth = CGImageGetWidth(image);
long imageHeight = CGImageGetHeight(image);
CGContextRef context = CGBitmapContextCreate(nil,
                                             imageWidth, imageHeight,
                                             8,
                                             imageWidth * 4,
                                             CGColorSpaceCreateDeviceRGB(),
                                             kCGImageAlphaNoneSkipFirst);
CGContextDrawImage(context, CGRectMake(0, 0, imageWidth, imageHeight), image);
UInt8 *imageData = CGBitmapContextGetData(context);

FIRModelInputs *inputs = [[FIRModelInputs alloc] init];
NSMutableData *inputData = [[NSMutableData alloc] initWithCapacity:0];

for (int row = 0; row < 224; row++) {
  for (int col = 0; col < 224; col++) {
    long offset = 4 * (col * imageWidth + row);
    // Normalize channel values to [0.0, 1.0]. This requirement varies
    // by model. For example, some models might require values to be
    // normalized to the range [-1.0, 1.0] instead, and others might
    // require fixed-point values or the original bytes.
    // (Ignore offset 0, the unused alpha channel)
    Float32 red = imageData[offset+1] / 255.0f;
    Float32 green = imageData[offset+2] / 255.0f;
    Float32 blue = imageData[offset+3] / 255.0f;

    [inputData appendBytes:&red length:sizeof(red)];
    [inputData appendBytes:&green length:sizeof(green)];
    [inputData appendBytes:&blue length:sizeof(blue)];
  }
}

[inputs addInput:inputData error:&error];
if (error != nil) { return nil; }

備妥模型輸入 (且在確認模型將輸入和輸入/輸出選項傳遞至您的模型翻譯器的run(inputs:options:completion:) 方法。

Swift

interpreter.run(inputs: inputs, options: ioOptions) { outputs, error in
    guard error == nil, let outputs = outputs else { return }
    // Process outputs
    // ...
}

Objective-C

[interpreter runWithInputs:inputs
                   options:ioOptions
                completion:^(FIRModelOutputs * _Nullable outputs,
                             NSError * _Nullable error) {
  if (error != nil || outputs == nil) {
    return;
  }
  // Process outputs
  // ...
}];

您可以呼叫物件的 output(index:) 方法，取得輸出內容。例如：

Swift

// Get first and only output of inference with a batch size of 1
let output = try? outputs.output(index: 0) as? [[NSNumber]]
let probabilities = output??[0]

Objective-C

// Get first and only output of inference with a batch size of 1
NSError *outputError;
NSArray *probabilites = [outputs outputAtIndex:0 error:&outputError][0];

您使用輸出內容的方式取決於您使用的模型。

舉例來說，如果您接下來要進行分類將結果的索引對應至它們代表的標籤。假設您有一個模型文字檔，其中含有模型每個類別的標籤字串；您可以繪製地圖將標籤字串對應至輸出機率包括：

Swift

guard let labelPath = Bundle.main.path(forResource: "retrained_labels", ofType: "txt") else { return }
let fileContents = try? String(contentsOfFile: labelPath)
guard let labels = fileContents?.components(separatedBy: "\n") else { return }

for i in 0 ..< labels.count {
  if let probability = probabilities?[i] {
    print("\(labels[i]): \(probability)")
  }
}

Objective-C

NSError *labelReadError = nil;
NSString *labelPath = [NSBundle.mainBundle pathForResource:@"retrained_labels"
                                                    ofType:@"txt"];
NSString *fileContents = [NSString stringWithContentsOfFile:labelPath
                                                   encoding:NSUTF8StringEncoding
                                                      error:&labelReadError];
if (labelReadError != nil || fileContents == NULL) { return; }
NSArray<NSString *> *labels = [fileContents componentsSeparatedByString:@"\n"];
for (int i = 0; i < labels.count; i++) {
    NSString *label = labels[i];
    NSNumber *probability = probabilites[i];
    NSLog(@"%@: %f", label, probability.floatValue);
}

附錄：模型安全性

無論您是以何種方式將 TensorFlow Lite 模型提供給 ML Kit 和 ML Kit 都會以標準序列化 protobuf 格式本機儲存空間

理論上，這代表任何人都可以複製您的模型不過實務上，大多數模型都特別適合應用程式，並經過模糊處理並預測其他可能與競爭對手拆解及重複使用程式碼然而，在使用之前，請務必先瞭解此風險在應用程式中加入自訂模型