firebase-ml-model-interpreter
লাইব্রেরির সংস্করণ 22.0.2 একটি নতুন getLatestModelFile()
পদ্ধতি প্রবর্তন করে, যা কাস্টম মডেলের ডিভাইসে অবস্থান পায়। আপনি এই পদ্ধতিটি সরাসরি একটি টেনসরফ্লো লাইট Interpreter
অবজেক্ট চালু করতে ব্যবহার করতে পারেন, যা আপনি FirebaseModelInterpreter
র্যাপারের পরিবর্তে ব্যবহার করতে পারেন।
এগিয়ে যাওয়া, এটি পছন্দের পদ্ধতি। যেহেতু টেনসরফ্লো লাইট ইন্টারপ্রেটার সংস্করণটি আর ফায়ারবেস লাইব্রেরি সংস্করণের সাথে মিলিত নয়, আপনি যখন চান তখন টেনসরফ্লো লাইটের নতুন সংস্করণে আপগ্রেড করার জন্য আপনার কাছে আরও নমনীয়তা রয়েছে বা আরও সহজে কাস্টম টেনসরফ্লো লাইট বিল্ডগুলি ব্যবহার করতে পারবেন।
এই পৃষ্ঠাটি দেখায় কিভাবে আপনি FirebaseModelInterpreter
ব্যবহার করা থেকে TensorFlow Lite Interpreter
স্থানান্তর করতে পারেন।
1. প্রকল্প নির্ভরতা আপডেট করুন
firebase-ml-model-interpreter
লাইব্রেরি (বা নতুন) এবং tensorflow-lite
লাইব্রেরির সংস্করণ 22.0.2 অন্তর্ভুক্ত করতে আপনার প্রকল্পের নির্ভরতা আপডেট করুন:
আগে
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
পরে
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2. একটি FirebaseModelInterpreter এর পরিবর্তে একটি TensorFlow Lite দোভাষী তৈরি করুন
একটি FirebaseModelInterpreter
তৈরি করার পরিবর্তে, getLatestModelFile()
দিয়ে ডিভাইসে মডেলের অবস্থান পান এবং একটি টেনসরফ্লো লাইট Interpreter
তৈরি করতে এটি ব্যবহার করুন।
আগে
val remoteModel = FirebaseCustomRemoteModel.Builder("your_model").build()
val options = FirebaseModelInterpreterOptions.Builder(remoteModel).build()
val interpreter = FirebaseModelInterpreter.getInstance(options)
FirebaseCustomRemoteModel remoteModel =
new FirebaseCustomRemoteModel.Builder("your_model").build();
FirebaseModelInterpreterOptions options =
new FirebaseModelInterpreterOptions.Builder(remoteModel).build();
FirebaseModelInterpreter interpreter = FirebaseModelInterpreter.getInstance(options);
পরে
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)
}
}
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. ইনপুট এবং আউটপুট প্রস্তুতি কোড আপডেট করুন
FirebaseModelInterpreter
এর সাথে, আপনি যখন এটি চালান তখন আপনি একটি FirebaseModelInputOutputOptions
অবজেক্টকে ইন্টারপ্রেটারে পাস করে মডেলের ইনপুট এবং আউটপুট আকারগুলি নির্দিষ্ট করেন৷
TensorFlow Lite ইন্টারপ্রেটারের জন্য, আপনি পরিবর্তে আপনার মডেলের ইনপুট এবং আউটপুটের জন্য সঠিক আকারের ByteBuffer
অবজেক্টগুলি বরাদ্দ করুন।
উদাহরণস্বরূপ, যদি আপনার মডেলের একটি ইনপুট আকার থাকে [1 224 224 3] float
মান এবং একটি আউটপুট আকার [1 1000] float
মানগুলির, তাহলে এই পরিবর্তনগুলি করুন:
আগে
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.
// ...
}
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
// ...
}
});
পরে
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)
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. আউটপুট হ্যান্ডলিং কোড আপডেট করুন
অবশেষে, FirebaseModelOutputs
অবজেক্টের getOutput()
পদ্ধতির মাধ্যমে মডেলের আউটপুট পাওয়ার পরিবর্তে, আপনার ব্যবহারের ক্ষেত্রে সুবিধাজনক যে কোনো কাঠামোতে ByteBuffer
আউটপুট রূপান্তর করুন।
উদাহরণস্বরূপ, আপনি যদি শ্রেণীবিভাগ করছেন, আপনি নিম্নলিখিত মত পরিবর্তন করতে পারেন:
আগে
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
পরে
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$label: $probability")
}
} catch (e: IOException) {
// File not found?
}
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?
}