ย้ายข้อมูลจาก API รูปแบบที่กำหนดเองเดิม

ไลบรารี firebase-ml-model-interpreter เวอร์ชัน 22.0.2 เปิดตัววิธี getLatestModelFile() ใหม่ ซึ่งจะรับตําแหน่งในอุปกรณ์ของโมเดลที่กําหนดเอง คุณสามารถใช้เมธอดนี้เพื่อสร้างอินสแตนซ์ของออบเจ็กต์ TensorFlow LiteInterpreter โดยตรง ซึ่งจะใช้แทน WrapperFirebaseModelInterpreter ได้

นับแต่นี้ไป เราแนะนำให้ใช้วิธีนี้ เนื่องจากเวอร์ชันโปรแกรมล่าม TensorFlow Lite ไม่ได้เชื่อมโยงกับเวอร์ชันไลบรารี Firebase อีกต่อไป คุณจึงมีความยืดหยุ่นมากขึ้นในการอัปเกรดเป็น TensorFlow Lite เวอร์ชันใหม่เมื่อต้องการ หรือใช้บิลด์ TensorFlow Lite ที่กําหนดเองได้ง่ายขึ้น

หน้านี้แสดงวิธีย้ายข้อมูลจากการใช้ FirebaseModelInterpreter ไปยัง TensorFlow Lite Interpreter

1. อัปเดตทรัพยากร Dependency ของโปรเจ็กต์

อัปเดตทรัพยากร Dependency ของโปรเจ็กต์ให้รวมfirebase-ml-model-interpreter Library เวอร์ชัน 22.0.2 (หรือใหม่กว่า) และtensorflow-lite Library ดังนี้

ก่อน

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

หลัง

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

2. สร้างอินเทอร์พรีเตอร์ของ TensorFlow Lite แทน FirebaseModelInterpreter

รับตำแหน่งโมเดลใน แทนการสร้าง FirebaseModelInterpreter อุปกรณ์ที่มี 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);

หลัง

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. อัปเดตโค้ดการเตรียมอินพุตและเอาต์พุต

เมื่อใช้ FirebaseModelInterpreter คุณจะระบุรูปร่างอินพุตและเอาต์พุตของโมเดลได้ โดยการส่งออบเจ็กต์ FirebaseModelInputOutputOptions ไปยังอินเทอร์พรีเตอร์เมื่อ ที่คุณเรียกใช้

สำหรับอินเทอร์พรีเตอร์ของ TensorFlow Lite คุณจะต้องจัดสรรออบเจ็กต์ ByteBuffer แทน ด้วยขนาดที่ถูกต้องสำหรับอินพุตและเอาต์พุตของโมเดล

เช่น หากโมเดลมีรูปร่างอินพุตเป็น [1 224 224 3] ค่า float และรูปร่างเอาต์พุตที่มีค่าเป็น [1 1000] float ให้ทำการเปลี่ยนแปลงต่อไปนี้

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
                        // ...
                    }
                });

หลัง

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 แทนที่จะได้รับเอาต์พุตของโมเดลด้วย FirebaseModelOutputs เมธอด getOutput() ของออบเจ็กต์ ให้แปลงเอาต์พุต ByteBuffer เป็นค่าใดก็ได้ สะดวกต่อ Use Case ของคุณ

ตัวอย่างเช่น ถ้าคุณกำลังแยกประเภท คุณอาจทำการเปลี่ยนแปลง ดังต่อไปนี้:

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?
}

หลัง

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?
}