เวอร์ชัน 22.0.2 ของไลบรารี firebase-ml-model-interpreter
แนะนำเมธอด getLatestModelFile()
ใหม่ ซึ่งรับตำแหน่งบนอุปกรณ์ของโมเดลแบบกำหนดเอง คุณสามารถใช้วิธีนี้เพื่อสร้างอินสแตนซ์ออบเจ็กต์ TensorFlow Lite Interpreter
ได้โดยตรง ซึ่งคุณสามารถใช้แทน Wrapper FirebaseModelInterpreter
ได้
ต่อไปนี่เป็นแนวทางที่ต้องการ เนื่องจากเวอร์ชันล่าม TensorFlow Lite ไม่ได้จับคู่กับเวอร์ชันไลบรารี Firebase อีกต่อไป คุณจึงมีความยืดหยุ่นมากขึ้นในการอัปเกรดเป็น TensorFlow Lite เวอร์ชันใหม่เมื่อคุณต้องการ หรือใช้บิวด์ TensorFlow Lite แบบกำหนดเองได้ง่ายขึ้น
หน้านี้แสดงวิธีที่คุณสามารถย้ายจากการใช้ FirebaseModelInterpreter
ไปยัง TensorFlow Lite Interpreter
1. อัปเดตการพึ่งพาโครงการ
อัปเดตการพึ่งพาโครงการของคุณเพื่อรวมเวอร์ชัน 22.0.2 ของไลบรารี firebase-ml-model-interpreter
(หรือใหม่กว่า) และไลบรารี tensorflow-lite
:
ก่อน
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
หลังจาก
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2. สร้างล่าม TensorFlow Lite แทน FirebaseModelInterpreter
แทนที่จะสร้าง FirebaseModelInterpreter
ให้รับตำแหน่งของโมเดลบนอุปกรณ์ด้วย getLatestModelFile()
และใช้เพื่อสร้าง TensorFlow Lite Interpreter
ก่อน
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);
หลังจาก
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. อัปเดตรหัสการเตรียมอินพุตและเอาต์พุต
ด้วย FirebaseModelInterpreter
คุณจะระบุรูปร่างอินพุตและเอาต์พุตของโมเดลโดยส่งออบเจ็กต์ FirebaseModelInputOutputOptions
ไปยังล่ามเมื่อคุณเรียกใช้
สำหรับล่าม TensorFlow Lite คุณจะต้องจัดสรรออบเจ็กต์ ByteBuffer
ด้วยขนาดที่เหมาะสมสำหรับอินพุตและเอาต์พุตของโมเดลของคุณแทน
ตัวอย่างเช่น หากโมเดลของคุณมีรูปร่างอินพุตเป็นค่า float
[1 224 224 3] และรูปร่างเอาต์พุตเป็นค่า float
[1 1000] ให้ทำการเปลี่ยนแปลงเหล่านี้:
ก่อน
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
// ...
}
});
หลังจาก
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. อัปเดตโค้ดการจัดการเอาต์พุต
สุดท้ายนี้ แทนที่จะรับเอาต์พุตของโมเดลด้วยวิธี getOutput()
ของออบเจ็กต์ FirebaseModelOutputs
ให้แปลงเอาต์พุต ByteBuffer
เป็นโครงสร้างใดก็ตามที่สะดวกสำหรับกรณีการใช้งานของคุณ
ตัวอย่างเช่น หากคุณกำลังจัดหมวดหมู่ คุณอาจทำการเปลี่ยนแปลงดังต่อไปนี้:
ก่อน
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
หลังจาก
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$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?
}