在 Android 上使用自定義 TensorFlow Lite 模型

如果您的應用使用自定義TensorFlow Lite模型，您可以使用 Firebase ML 來部署您的模型。通過使用 Firebase 部署模型，您可以減少應用的初始下載大小並更新應用的 ML 模型，而無需發布應用的新版本。而且，通過遠程配置和 A/B 測試，您可以為不同的用戶組動態地提供不同的模型。

TensorFlow Lite 模型

TensorFlow Lite 模型是經過優化以在移動設備上運行的 ML 模型。要獲取 TensorFlow Lite 模型：

在你開始之前

  1. 如果您還沒有，請將 Firebase 添加到您的 Android 項目中。
  2. 使用Firebase Android BoM ，在您的模塊（應用級）Gradle 文件（通常是app/build.gradle ）中聲明 Firebase ML 模型下載器 Android 庫的依賴項。

    此外，作為設置 Firebase ML 模型下載器的一部分，您需要將 TensorFlow Lite SDK 添加到您的應用中。

    Java

    dependencies {
    // Import the BoM for the Firebase platform
    implementation platform('com.google.firebase:firebase-bom:30.3.1')

    // Declare the dependency for the Firebase ML model downloader library
    // When using the BoM, you don't specify versions in Firebase library dependencies
    implementation 'com.google.firebase:firebase-ml-modeldownloader'
    
    // Also declare the dependency for the TensorFlow Lite library and specify its version
    implementation 'org.tensorflow:tensorflow-lite:2.3.0'    
}

    通過使用Firebase Android BoM ，您的應用將始終使用兼容版本的 Firebase Android 庫。

    （替代）在不使用 BoM 的情況下聲明 Firebase 庫依賴項

    如果您選擇不使用 Firebase BoM，則必須在其依賴行中指定每個 Firebase 庫版本。

    請注意，如果您在應用中使用多個Firebase 庫，我們強烈建議您使用 BoM 來管理庫版本，以確保所有版本都兼容。

    dependencies {
    // Declare the dependency for the Firebase ML model downloader library
    // When NOT using the BoM, you must specify versions in Firebase library dependencies
    implementation 'com.google.firebase:firebase-ml-modeldownloader:24.0.4'
    
    // Also declare the dependency for the TensorFlow Lite library and specify its version
    implementation 'org.tensorflow:tensorflow-lite:2.3.0'    
}

    Kotlin+KTX

    dependencies {
    // Import the BoM for the Firebase platform
    implementation platform('com.google.firebase:firebase-bom:30.3.1')

    // Declare the dependency for the Firebase ML model downloader library
    // When using the BoM, you don't specify versions in Firebase library dependencies
    implementation 'com.google.firebase:firebase-ml-modeldownloader-ktx'
    
    // Also declare the dependency for the TensorFlow Lite library and specify its version
    implementation 'org.tensorflow:tensorflow-lite:2.3.0'    
}

    通過使用Firebase Android BoM ，您的應用將始終使用兼容版本的 Firebase Android 庫。

    （替代）在不使用 BoM 的情況下聲明 Firebase 庫依賴項

    如果您選擇不使用 Firebase BoM，則必須在其依賴行中指定每個 Firebase 庫版本。

    請注意，如果您在應用中使用多個Firebase 庫，我們強烈建議您使用 BoM 來管理庫版本，以確保所有版本都兼容。

    dependencies {
    // Declare the dependency for the Firebase ML model downloader library
    // When NOT using the BoM, you must specify versions in Firebase library dependencies
    implementation 'com.google.firebase:firebase-ml-modeldownloader-ktx:24.0.4'
    
    // Also declare the dependency for the TensorFlow Lite library and specify its version
    implementation 'org.tensorflow:tensorflow-lite:2.3.0'    
}
  3. 在您應用的清單中，聲明需要 INTERNET 權限： 
    <uses-permission android:name="android.permission.INTERNET" />

1. 部署你的模型

使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署您的自定義 TensorFlow 模型。請參閱部署和管理自定義模型。

將自定義模型添加到 Firebase 項目後，您可以使用您指定的名稱在應用中引用該模型。您可以隨時部署新的 TensorFlow Lite 模型，並通過調用getModel()將新模型下載到用戶的設備上（見下文）。

2. 將模型下載到設備並初始化 TensorFlow Lite 解釋器

要在您的應用中使用您的 TensorFlow Lite 模型，請首先使用 Firebase ML SDK 將最新版本的模型下載到設備中。然後，使用模型實例化一個 TensorFlow Lite 解釋器。

要開始模型下載，請調用模型下載器的getModel()方法，指定上傳模型時指定的名稱、是否要始終下載最新模型以及允許下載的條件。

您可以從三種下載行為中進行選擇：

下載類型描述
本地模型從設備獲取本地模型。如果沒有可用的本地模型，則其行為類似於LATEST_MODEL 。如果您對檢查模型更新不感興趣，請使用此下載類型。例如，您正在使用遠程配置來檢索模型名稱，並且您總是以新名稱上傳模型（推薦）。
LOCAL_MODEL_UPDATE_IN_BACKGROUND從設備獲取本地模型並開始在後台更新模型。如果沒有可用的本地模型，則其行為類似於LATEST_MODEL 。
最新款獲取最新型號。如果本地模型是最新版本，則返回本地模型。否則，請下載最新型號。在下載最新版本之前，此行為將被阻止（不推薦）。僅在您明確需要最新版本的情況下使用此行為。

您應該禁用與模型相關的功能（例如，灰顯或隱藏部分 UI），直到您確認模型已下載。

Java

CustomModelDownloadConditions conditions = new CustomModelDownloadConditions.Builder()
    .requireWifi()  // Also possible: .requireCharging() and .requireDeviceIdle()
    .build();
FirebaseModelDownloader.getInstance()
    .getModel("your_model", DownloadType.LOCAL_MODEL_UPDATE_IN_BACKGROUND, conditions)
    .addOnSuccessListener(new OnSuccessListener<CustomModel>() {
      @Override
      public void onSuccess(CustomModel model) {
        // Download complete. Depending on your app, you could enable the ML
        // feature, or switch from the local model to the remote model, etc.

        // The CustomModel object contains the local path of the model file,
        // which you can use to instantiate a TensorFlow Lite interpreter.
        File modelFile = model.getFile();
        if (modelFile != null) {
            interpreter = new Interpreter(modelFile);
        }
      }
    });

Kotlin+KTX

val conditions = CustomModelDownloadConditions.Builder()
        .requireWifi()  // Also possible: .requireCharging() and .requireDeviceIdle()
        .build()
FirebaseModelDownloader.getInstance()
        .getModel("your_model", DownloadType.LOCAL_MODEL_UPDATE_IN_BACKGROUND,
            conditions)
        .addOnSuccessListener { model: CustomModel? ->
            // Download complete. Depending on your app, you could enable the ML
            // feature, or switch from the local model to the remote model, etc.

            // The CustomModel object contains the local path of the model file,
            // which you can use to instantiate a TensorFlow Lite interpreter.
            val modelFile = model?.file
            if (modelFile != null) {
                interpreter = Interpreter(modelFile)
            }
        }

許多應用程序在其初始化代碼中啟動下載任務，但您可以在需要使用模型之前的任何時候這樣做。

3. 對輸入數據進行推理

獲取模型的輸入和輸出形狀

TensorFlow Lite 模型解釋器將一個或多個多維數組作為輸入並生成輸出。這些數組包含byte 、 int 、 long或float值。在將數據傳遞給模型或使用其結果之前，您必須知道模型使用的數組的數量和維度（“形狀”）。

如果您自己構建了模型，或者模型的輸入和輸出格式已記錄在案，您可能已經擁有此信息。如果您不知道模型輸入和輸出的形狀和數據類型，您可以使用 TensorFlow Lite 解釋器來檢查您的模型。例如：

Python

import tensorflow as tf

interpreter = tf.lite.Interpreter(model_path="your_model.tflite")
interpreter.allocate_tensors()

# Print input shape and type
inputs = interpreter.get_input_details()
print('{} input(s):'.format(len(inputs)))
for i in range(0, len(inputs)):
    print('{} {}'.format(inputs[i]['shape'], inputs[i]['dtype']))

# Print output shape and type
outputs = interpreter.get_output_details()
print('\n{} output(s):'.format(len(outputs)))
for i in range(0, len(outputs)):
    print('{} {}'.format(outputs[i]['shape'], outputs[i]['dtype']))

示例輸出：

1 input(s):
[  1 224 224   3] <class 'numpy.float32'>

1 output(s):
[1 1000] <class 'numpy.float32'>

運行解釋器

確定模型輸入和輸出的格式後，獲取輸入數據並對數據執行任何必要的轉換，以獲得模型正確形狀的輸入。

例如，如果您有一個輸入形狀為[1 224 224 3]浮點值的圖像分類模型，您可以從Bitmap對像生成輸入ByteBuffer ，如下例所示：

Java

Bitmap bitmap = Bitmap.createScaledBitmap(yourInputImage, 224, 224, true);
ByteBuffer input = ByteBuffer.allocateDirect(224 * 224 * 3 * 4).order(ByteOrder.nativeOrder());
for (int y = 0; y < 224; y++) {
    for (int x = 0; x < 224; x++) {
        int px = bitmap.getPixel(x, y);

        // Get channel values from the pixel value.
        int r = Color.red(px);
        int g = Color.green(px);
        int b = Color.blue(px);

        // Normalize channel values to [-1.0, 1.0]. This requirement depends
        // on the model. For example, some models might require values to be
        // normalized to the range [0.0, 1.0] instead.
        float rf = (r - 127) / 255.0f;
        float gf = (g - 127) / 255.0f;
        float bf = (b - 127) / 255.0f;

        input.putFloat(rf);
        input.putFloat(gf);
        input.putFloat(bf);
    }
}

Kotlin+KTX

val bitmap = Bitmap.createScaledBitmap(yourInputImage, 224, 224, true)
val input = ByteBuffer.allocateDirect(224*224*3*4).order(ByteOrder.nativeOrder())
for (y in 0 until 224) {
    for (x in 0 until 224) {
        val px = bitmap.getPixel(x, y)

        // Get channel values from the pixel value.
        val r = Color.red(px)
        val g = Color.green(px)
        val b = Color.blue(px)

        // Normalize channel values to [-1.0, 1.0]. This requirement depends on the model.
        // For example, some models might require values to be normalized to the range
        // [0.0, 1.0] instead.
        val rf = (r - 127) / 255f
        val gf = (g - 127) / 255f
        val bf = (b - 127) / 255f

        input.putFloat(rf)
        input.putFloat(gf)
        input.putFloat(bf)
    }
}

然後，分配一個足夠大的ByteBuffer來包含模型的輸出，並將輸入緩衝區和輸出緩衝區傳遞給 TensorFlow Lite 解釋器的run()方法。例如，對於[1 1000]浮點值的輸出形狀：

Java

int bufferSize = 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer modelOutput = ByteBuffer.allocateDirect(bufferSize).order(ByteOrder.nativeOrder());
interpreter.run(input, modelOutput);

Kotlin+KTX

val bufferSize = 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val modelOutput = ByteBuffer.allocateDirect(bufferSize).order(ByteOrder.nativeOrder())
interpreter?.run(input, modelOutput)

您如何使用輸出取決於您使用的模型。

例如，如果您正在執行分類，作為下一步，您可能會將結果的索引映射到它們所代表的標籤：

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?
}

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?
}

附錄：模型安全

無論您如何使 TensorFlow Lite 模型可用於 Firebase ML，Firebase ML 都會以標準序列化 protobuf 格式將它們存儲在本地存儲中。

理論上，這意味著任何人都可以復制您的模型。然而，在實踐中，大多數模型都是特定於應用程序的，並且被優化混淆了，其風險類似於競爭對手反彙編和重用代碼的風險。不過，在您的應用程序中使用自定義模型之前，您應該意識到這種風險。

在 Android API 級別 21 (Lollipop) 和更高版本上，模型會下載到自動備份中排除的目錄。

在 Android API 級別 20 和更早版本上，模型會下載到應用專用內部存儲中名為com.google.firebase.ml.custom.models的目錄中。如果您使用BackupAgent啟用了文件備份，則可以選擇排除此目錄。