ไลบรารี firebase-ml-model-interpreter
เวอร์ชัน 22.0.2 เปิดตัววิธี getLatestModelFile()
ใหม่ ซึ่งจะรับตําแหน่งในอุปกรณ์ของโมเดลที่กําหนดเอง คุณสามารถใช้เมธอดนี้เพื่อสร้างอินสแตนซ์ของออบเจ็กต์ TensorFlow LiteInterpreter
โดยตรง ซึ่งจะใช้แทน WrapperFirebaseModelInterpreter
ได้
นับจากนี้ไป เราขอแนะนำให้ใช้แนวทางนี้ เนื่องจากเวอร์ชันโปรแกรมล่าม TensorFlow Lite ไม่ได้เชื่อมโยงกับเวอร์ชันไลบรารี Firebase อีกต่อไป คุณจึงมีความยืดหยุ่นมากขึ้นในการอัปเกรดเป็น TensorFlow Lite เวอร์ชันใหม่เมื่อต้องการ หรือใช้บิลด์ TensorFlow Lite ที่กําหนดเองได้ง่ายขึ้น
หน้านี้จะแสดงวิธีย้ายข้อมูลจากการใช้ FirebaseModelInterpreter
ไปใช้ TensorFlow Lite Interpreter
1. อัปเดตทรัพยากร Dependency ของโปรเจ็กต์
อัปเดตทรัพยากร Dependency ของโปรเจ็กต์ให้รวมไลบรารี firebase-ml-model-interpreter
เวอร์ชัน 22.0.2 (หรือใหม่กว่า) และไลบรารี tensorflow-lite
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. สร้างตัวแ interpreter ของ TensorFlow Lite แทน FirebaseModelInterpreter
แทนที่จะสร้าง FirebaseModelInterpreter
ให้รับตําแหน่งของโมเดลในอุปกรณ์ด้วย getLatestModelFile()
และใช้เพื่อสร้าง TensorFlow Lite Interpreter
ก่อน
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);
หลัง
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. อัปเดตโค้ดการเตรียมอินพุตและเอาต์พุต
เมื่อใช้ FirebaseModelInterpreter
คุณจะระบุรูปร่างอินพุตและเอาต์พุตของโมเดลได้ด้วยการส่งออบเจ็กต์ FirebaseModelInputOutputOptions
ไปยังโปรแกรมแปลเมื่อเรียกใช้
สําหรับโปรแกรมตีความ TensorFlow Lite คุณจะจัดสรรออบเจ็กต์ ByteBuffer
ที่มีขนาดเหมาะสมสําหรับอินพุตและเอาต์พุตของโมเดลแทน
เช่น หากโมเดลของคุณมีรูปร่างอินพุตเป็นค่า float
[1 224 224 3] และรูปร่างเอาต์พุตเป็นค่า float
[1 1000] ให้ทําการเปลี่ยนแปลงต่อไปนี้
ก่อน
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
// ...
}
});
หลัง
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. อัปเดตโค้ดการจัดการเอาต์พุต
สุดท้าย ให้แปลงเอาต์พุต ByteBuffer
ให้เป็นโครงสร้างที่สะดวกสําหรับกรณีการใช้งานแทนการเรียกใช้เอาต์พุตของโมเดลด้วยเมธอด getOutput()
ของออบเจ็กต์ FirebaseModelOutputs
เช่น หากทําการจัดประเภท คุณอาจทําการเปลี่ยนแปลงต่อไปนี้
ก่อน
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
หลัง
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$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?
}