از API مدل سفارشی قدیمی مهاجرت کنید

نسخه 22.0.2 کتابخانه firebase-ml-model-interpreter یک متد getLatestModelFile() جدید را معرفی می کند که مکان را روی دستگاه مدل های سفارشی دریافت می کند. می‌توانید از این روش برای نمونه‌سازی مستقیم یک شی Interpreter TensorFlow Lite استفاده کنید، که می‌توانید به جای پوشش FirebaseModelInterpreter از آن استفاده کنید.

در آینده، این رویکرد ارجح است. از آنجایی که نسخه مفسر TensorFlow Lite دیگر با نسخه کتابخانه Firebase همراه نیست، انعطاف پذیری بیشتری برای ارتقاء به نسخه های جدید TensorFlow Lite در صورت تمایل دارید، یا آسان تر از ساخت های سفارشی TensorFlow Lite استفاده کنید.

این صفحه نشان می دهد که چگونه می توانید از FirebaseModelInterpreter به Interpreter TensorFlow Lite مهاجرت کنید.

1. وابستگی های پروژه را به روز کنید

وابستگی های پروژه خود را به روز کنید تا شامل نسخه 22.0.2 کتابخانه firebase-ml-model-interpreter (یا جدیدتر) و کتابخانه tensorflow-lite شود:

قبل از

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

بعد از

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

2. یک مفسر TensorFlow Lite به جای FirebaseModelInterpreter ایجاد کنید

به جای ایجاد FirebaseModelInterpreter ، مکان مدل را در دستگاه با getLatestModelFile() دریافت کنید و از آن برای ایجاد یک Interpreter TensorFlow Lite استفاده کنید.

قبل از

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);

بعد از

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. کد آماده سازی ورودی و خروجی را به روز کنید

با FirebaseModelInterpreter ، اشکال ورودی و خروجی مدل را با ارسال یک شی FirebaseModelInputOutputOptions به مفسر هنگام اجرای آن مشخص می‌کنید.

برای مفسر TensorFlow Lite، به جای آن، اشیاء ByteBuffer را با اندازه مناسب برای ورودی و خروجی مدل خود اختصاص می دهید.

برای مثال، اگر مدل شما دارای شکل ورودی [1 224 224 3] مقادیر float و شکل خروجی [1 1000] مقادیر float است، این تغییرات را انجام دهید:

قبل از

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
                        // ...
                    }
                });

بعد از

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. کد مدیریت خروجی را به روز کنید

در نهایت، به جای دریافت خروجی مدل با متد getOutput() شی FirebaseModelOutputs ، خروجی ByteBuffer را به هر ساختاری که برای مورد استفاده شما مناسب است تبدیل کنید.

به عنوان مثال، اگر در حال انجام طبقه بندی هستید، ممکن است تغییراتی مانند موارد زیر ایجاد کنید:

قبل از

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?
}

بعد از

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?
}