firebase-ml-model-interpreter
kitaplığının 22.0.2 sürümü, özel modellerin aygıtındaki konumu alan yeni bir getLatestModelFile()
yöntemini sunar. FirebaseModelInterpreter
sarmalayıcısı yerine kullanabileceğiniz bir TensorFlow Lite Interpreter
nesnesini doğrudan başlatmak için bu yöntemi kullanabilirsiniz.
İleriye dönük olarak tercih edilen yaklaşım budur. TensorFlow Lite yorumlayıcı sürümü artık Firebase kitaplık sürümüyle bağlantılı olmadığından, istediğiniz zaman TensorFlow Lite'ın yeni sürümlerine yükseltme yapma veya özel TensorFlow Lite yapılarını daha kolay kullanma konusunda daha fazla esnekliğe sahip olursunuz.
Bu sayfada FirebaseModelInterpreter
kullanımından TensorFlow Lite Interpreter
nasıl geçiş yapabileceğiniz gösterilmektedir.
1. Proje bağımlılıklarını güncelleyin
firebase-ml-model-interpreter
kitaplığının (veya daha yenisi) ve tensorflow-lite
kitaplığının 22.0.2 sürümünü içerecek şekilde projenizin bağımlılıklarını güncelleyin:
Önce
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
Sonrasında
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2. FirebaseModelInterpreter yerine TensorFlow Lite yorumlayıcısı oluşturun
Bir FirebaseModelInterpreter
oluşturmak yerine, getLatestModelFile()
ile modelin cihazdaki konumunu alın ve bunu bir TensorFlow Lite Interpreter
oluşturmak için kullanın.
Önce
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);
Sonrasında
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. Giriş ve çıkış hazırlama kodunu güncelleyin
FirebaseModelInterpreter
ile, çalıştırdığınızda yorumlayıcıya bir FirebaseModelInputOutputOptions
nesnesi ileterek modelin giriş ve çıkış şekillerini belirtirsiniz.
TensorFlow Lite yorumlayıcısı için bunun yerine modelinizin girişi ve çıkışı için doğru boyuttaki ByteBuffer
nesnelerini tahsis edersiniz.
Örneğin, modelinizin giriş şekli [1 224 224 3] float
değerlerine ve çıkış şekli ise [1 1000] float
değerlerine sahipse şu değişiklikleri yapın:
Önce
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
// ...
}
});
Sonrasında
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. Çıktı işleme kodunu güncelleyin
Son olarak, modelin çıktısını FirebaseModelOutputs
nesnesinin getOutput()
yöntemiyle almak yerine, ByteBuffer
çıktısını kullanım durumunuz için uygun olan yapıya dönüştürün.
Örneğin sınıflandırma yapıyorsanız aşağıdaki gibi değişiklikler yapabilirsiniz:
Önce
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
Sonrasında
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$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?
}