लीगेसी कस्टम मॉडल एपीआई से माइग्रेट करें

firebase-ml-model-interpreter लाइब्रेरी का संस्करण 22.0.2 एक नई getLatestModelFile() विधि पेश करता है, जो कस्टम मॉडल के डिवाइस पर स्थान प्राप्त करता है। आप इस विधि का उपयोग सीधे TensorFlow Lite Interpreter ऑब्जेक्ट को इंस्टेंट करने के लिए कर सकते हैं, जिसका उपयोग आप FirebaseModelInterpreter रैपर के बजाय कर सकते हैं।

आगे बढ़ते हुए, यह पसंदीदा दृष्टिकोण है। क्योंकि TensorFlow Lite दुभाषिया संस्करण अब Firebase लाइब्रेरी संस्करण के साथ युग्मित नहीं है, आपके पास जब चाहें तब TensorFlow Lite के नए संस्करणों में अपग्रेड करने के लिए अधिक लचीलापन है, या अधिक आसानी से कस्टम TensorFlow Lite बिल्ड का उपयोग करें।

यह पृष्ठ दिखाता है कि आप FirebaseModelInterpreter का उपयोग करने से TensorFlow Lite Interpreter पर कैसे स्थानांतरित हो सकते हैं।

1. परियोजना निर्भरताएँ अद्यतन करें

firebase-ml-model-interpreter लाइब्रेरी (या नया) और tensorflow-lite लाइब्रेरी के संस्करण 22.0.2 को शामिल करने के लिए अपने प्रोजेक्ट की निर्भरता को अपडेट करें:

पहले

implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")

बाद

implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")

2. FirebaseModelInterpreter के बजाय एक TensorFlow Lite दुभाषिया बनाएं

FirebaseModelInterpreter बनाने के बजाय, getLatestModelFile() के साथ डिवाइस पर मॉडल का स्थान प्राप्त करें और TensorFlow Lite Interpreter बनाने के लिए इसका उपयोग करें।

पहले

Kotlin+KTX

val remoteModel = FirebaseCustomRemoteModel.Builder("your_model").build()
val options = FirebaseModelInterpreterOptions.Builder(remoteModel).build()
val interpreter = FirebaseModelInterpreter.getInstance(options)

Java

FirebaseCustomRemoteModel remoteModel =
        new FirebaseCustomRemoteModel.Builder("your_model").build();
FirebaseModelInterpreterOptions options =
        new FirebaseModelInterpreterOptions.Builder(remoteModel).build();
FirebaseModelInterpreter interpreter = FirebaseModelInterpreter.getInstance(options);

बाद

Kotlin+KTX

val remoteModel = FirebaseCustomRemoteModel.Builder("your_model").build()
FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
    .addOnCompleteListener { task ->
        val modelFile = task.getResult()
        if (modelFile != null) {
            // Instantiate an org.tensorflow.lite.Interpreter object.
            interpreter = Interpreter(modelFile)
        }
    }

Java

FirebaseCustomRemoteModel remoteModel =
        new FirebaseCustomRemoteModel.Builder("your_model").build();
FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
        .addOnCompleteListener(new OnCompleteListener<File>() {
            @Override
            public void onComplete(@NonNull Task<File> task) {
                File modelFile = task.getResult();
                if (modelFile != null) {
                    // Instantiate an org.tensorflow.lite.Interpreter object.
                    Interpreter interpreter = new Interpreter(modelFile);
                }
            }
        });

3. इनपुट और आउटपुट तैयारी कोड अपडेट करें

FirebaseModelInterpreter के साथ, जब आप इसे चलाते हैं तो आप दुभाषिया को FirebaseModelInputOutputOptions ऑब्जेक्ट पास करके मॉडल के इनपुट और आउटपुट आकार निर्दिष्ट करते हैं।

TensorFlow Lite दुभाषिया के लिए, आप इसके बजाय अपने मॉडल के इनपुट और आउटपुट के लिए सही आकार के साथ ByteBuffer ऑब्जेक्ट आवंटित करते हैं।

उदाहरण के लिए, यदि आपके मॉडल में इनपुट आकार [1 224 224 3] float मान और आउटपुट आकार [1 1000] float मान है, तो ये परिवर्तन करें:

पहले

Kotlin+KTX

val inputOutputOptions = FirebaseModelInputOutputOptions.Builder()
    .setInputFormat(0, FirebaseModelDataType.FLOAT32, intArrayOf(1, 224, 224, 3))
    .setOutputFormat(0, FirebaseModelDataType.FLOAT32, intArrayOf(1, 1000))
    .build()

val input = ByteBuffer.allocateDirect(224*224*3*4).order(ByteOrder.nativeOrder())
// Then populate with input data.

val inputs = FirebaseModelInputs.Builder()
    .add(input)
    .build()

interpreter.run(inputs, inputOutputOptions)
    .addOnSuccessListener { outputs ->
        // ...
    }
    .addOnFailureListener {
        // Task failed with an exception.
        // ...
    }

Java

FirebaseModelInputOutputOptions inputOutputOptions =
        new FirebaseModelInputOutputOptions.Builder()
                .setInputFormat(0, FirebaseModelDataType.FLOAT32, new int[]{1, 224, 224, 3})
                .setOutputFormat(0, FirebaseModelDataType.FLOAT32, new int[]{1, 1000})
                .build();

float[][][][] input = new float[1][224][224][3];
// Then populate with input data.

FirebaseModelInputs inputs = new FirebaseModelInputs.Builder()
        .add(input)
        .build();

interpreter.run(inputs, inputOutputOptions)
        .addOnSuccessListener(
                new OnSuccessListener<FirebaseModelOutputs>() {
                    @Override
                    public void onSuccess(FirebaseModelOutputs result) {
                        // ...
                    }
                })
        .addOnFailureListener(
                new OnFailureListener() {
                    @Override
                    public void onFailure(@NonNull Exception e) {
                        // Task failed with an exception
                        // ...
                    }
                });

बाद

Kotlin+KTX

val inBufferSize = 1 * 224 * 224 * 3 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val inputBuffer = ByteBuffer.allocateDirect(inBufferSize).order(ByteOrder.nativeOrder())
// Then populate with input data.

val outBufferSize = 1 * 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val outputBuffer = ByteBuffer.allocateDirect(outBufferSize).order(ByteOrder.nativeOrder())

interpreter.run(inputBuffer, outputBuffer)

Java

int inBufferSize = 1 * 224 * 224 * 3 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer inputBuffer =
        ByteBuffer.allocateDirect(inBufferSize).order(ByteOrder.nativeOrder());
// Then populate with input data.

int outBufferSize = 1 * 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer outputBuffer =
        ByteBuffer.allocateDirect(outBufferSize).order(ByteOrder.nativeOrder());

interpreter.run(inputBuffer, outputBuffer);

4. आउटपुट हैंडलिंग कोड अपडेट करें

अंत में, FirebaseModelOutputs ऑब्जेक्ट की getOutput() विधि के साथ मॉडल का आउटपुट प्राप्त करने के बजाय, ByteBuffer आउटपुट को आपके उपयोग के मामले में जो भी संरचना सुविधाजनक हो, उसमें कनवर्ट करें।

उदाहरण के लिए, यदि आप वर्गीकरण कर रहे हैं, तो आप निम्नलिखित जैसे परिवर्तन कर सकते हैं:

पहले

Kotlin+KTX

val output = result.getOutput(0)
val probabilities = output[0]
try {
    val reader = BufferedReader(InputStreamReader(assets.open("custom_labels.txt")))
    for (probability in probabilities) {
        val label: String = reader.readLine()
        println("$label: $probability")
    }
} catch (e: IOException) {
    // File not found?
}

Java

float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
    BufferedReader reader = new BufferedReader(
          new InputStreamReader(getAssets().open("custom_labels.txt")));
    for (float probability : probabilities) {
        String label = reader.readLine();
        Log.i(TAG, String.format("%s: %1.4f", label, probability));
    }
} catch (IOException e) {
    // File not found?
}

बाद

Kotlin+KTX

modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
    val reader = BufferedReader(
            InputStreamReader(assets.open("custom_labels.txt")))
    for (i in probabilities.capacity()) {
        val label: String = reader.readLine()
        val probability = probabilities.get(i)
        println("$label: $probability")
    }
} catch (e: IOException) {
    // File not found?
}

Java

modelOutput.rewind();
FloatBuffer probabilities = modelOutput.asFloatBuffer();
try {
    BufferedReader reader = new BufferedReader(
            new InputStreamReader(getAssets().open("custom_labels.txt")));
    for (int i = 0; i < probabilities.capacity(); i++) {
        String label = reader.readLine();
        float probability = probabilities.get(i);
        Log.i(TAG, String.format("%s: %1.4f", label, probability));
    }
} catch (IOException e) {
    // File not found?
}