גרסה 22.0.2 של ספריית firebase-ml-model-interpreter
מציגה שיטה חדשה getLatestModelFile()
שמקבלת את המיקום במכשיר של מודלים מותאמים אישית. אתה יכול להשתמש בשיטה זו כדי ליצור ישירות אובייקט TensorFlow Lite Interpreter
, שבו אתה יכול להשתמש במקום המעטפת של FirebaseModelInterpreter
.
בהמשך, זו הגישה המועדפת. מכיוון שגרסת המתורגמן של TensorFlow Lite כבר לא מחוברת לגרסת ספריית Firebase, יש לך גמישות רבה יותר לשדרג לגרסאות חדשות של TensorFlow Lite מתי שתרצה, או להשתמש בקלות רבה יותר בבניית TensorFlow Lite מותאמות אישית.
דף זה מראה כיצד ניתן לעבור משימוש FirebaseModelInterpreter
ל-TensorFlow Lite Interpreter
.
1. עדכון תלות בפרויקט
עדכן את התלות של הפרויקט שלך כך שיכלול את גרסה 22.0.2 של ספריית firebase-ml-model-interpreter
(או חדשה יותר) וספריית tensorflow-lite
:
לפני
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
לאחר
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2. צור מתורגמן TensorFlow Lite במקום FirebaseModelInterpreter
במקום ליצור FirebaseModelInterpreter
, קבל את מיקום המודל במכשיר באמצעות getLatestModelFile()
והשתמש בו כדי ליצור Interpreter
TensorFlow Lite.
לפני
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);
לאחר
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. עדכן את קוד הכנת הקלט והפלט
עם FirebaseModelInterpreter
, אתה מציין את צורות הקלט והפלט של המודל על ידי העברת אובייקט FirebaseModelInputOutputOptions
למתורגמן בעת הפעלתו.
עבור המתורגמן TensorFlow Lite, במקום זאת אתה מקצה אובייקטים ByteBuffer
בגודל הנכון עבור הקלט והפלט של המודל שלך.
לדוגמה, אם למודל שלך יש צורת קלט של ערכי float
[1 224 224 3] וצורת פלט של ערכי float
[1 1000], בצע את השינויים הבאים:
לפני
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
// ...
}
});
לאחר
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. עדכן את קוד הטיפול בפלט
לבסוף, במקום לקבל את הפלט של המודל עם שיטת getOutput()
של אובייקט FirebaseModelOutputs
, המר את הפלט ByteBuffer
לכל מבנה שנוח למקרה השימוש שלך.
לדוגמה, אם אתה מבצע סיווג, תוכל לבצע שינויים כמו הבאים:
לפני
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
לאחר
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$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?
}