Flutter के साथ अपनी पसंद के TensorFlow Lite मॉडल का इस्तेमाल करें

अगर आपका ऐप्लिकेशन, TensorFlow Lite मॉडल में, ये काम किए जा सकते हैं अपने मॉडल डिप्लॉय करने के लिए, Firebase एमएल का इस्तेमाल करें. Firebase के साथ मॉडल डिप्लॉय करके, आपके ऐप्लिकेशन के शुरुआती डाउनलोड साइज़ को कम कर सकता है और अपने ऐप्लिकेशन के एमएल मॉडल अपडेट कर सकता है रिलीज़ करने से पहले, उसे पुराना वर्शन रिलीज़ नहीं करना पड़ेगा. साथ ही, रिमोट कॉन्फ़िगरेशन और A/B की मदद से टेस्टिंग, उपयोगकर्ताओं के अलग-अलग सेट के लिए डाइनैमिक तौर पर अलग-अलग मॉडल इस्तेमाल किए जा सकते हैं.

TensorFlow Lite के मॉडल

TensorFlow Lite मॉडल, ऐसे एमएल मॉडल हैं जिन्हें मोबाइल पर चलाने के लिए ऑप्टिमाइज़ किया गया है डिवाइस. TensorFlow Lite का मॉडल पाने के लिए:

• पहले से बने किसी मॉडल का इस्तेमाल करना. जैसे, TensorFlow Lite के आधिकारिक मॉडल में से कोई एक
• TensorFlow मॉडल, Keras मॉडल या कंक्रीट फ़ंक्शन को TensorFlow Lite में बदलें.

ध्यान दें कि Dart के लिए कोई रखरखाव वाली TensorFlow Lite लाइब्रेरी न होने पर, आपको इसे स्थानीय TensorFlow Lite लाइब्रेरी के साथ इंटिग्रेट करना होगा प्लैटफ़ॉर्म. इस इंटिग्रेशन का दस्तावेज़ यहां नहीं दिया गया है.

शुरू करने से पहले

1. Flutter के लिए Firebase SDK टूल को इंस्टॉल और शुरू करना अगर आपने पहले से ऐसा नहीं किया है.

2. अपने Flutter प्रोजेक्ट की रूट डायरेक्ट्री से, नीचे दिए गए काम करें एमएल मॉडल डाउनलोडर प्लगिन को इंस्टॉल करने का निर्देश:

   flutter pub add firebase_ml_model_downloader
   

3. अपना प्रोजेक्ट फिर से बनाएं:

   flutter run
   

1. अपना मॉडल डिप्लॉय करना

Firebase कंसोल या Firebase एडमिन Python और Node.js SDK टूल. यहां जाएं: कस्टम मॉडल डिप्लॉय और मैनेज करना.

अपने Firebase प्रोजेक्ट में कोई कस्टम मॉडल जोड़ने के बाद, आपके ऐप्लिकेशन के मॉडल को, आपके बताए गए नाम से इस्तेमाल करके. किसी भी समय, आपके पास किसी भी समय, TensorFlow Lite का नया मॉडल और उपयोगकर्ताओं इसके हिसाब से डिवाइस getModel() पर कॉल किया जा रहा है (नीचे देखें).

2. मॉडल को डिवाइस पर डाउनलोड करें और TensorFlow Lite का अनुवादक मोड शुरू करें

अपने ऐप्लिकेशन में TensorFlow Lite के मॉडल का इस्तेमाल करने के लिए, सबसे पहले मॉडल डाउनलोडर का इस्तेमाल करें डिवाइस पर मॉडल का नया वर्शन डाउनलोड करने के लिए. फिर, इंस्टैंशिएट करके एक मॉडल के साथ TensorFlow Lite का अनुवादक.

मॉडल डाउनलोड करने के लिए, मॉडल डाउनलोड करने वाले के getModel() तरीके को कॉल करें, उस नाम को दर्ज करते हुए जो आपने मॉडल को अपलोड करते समय असाइन किया था, चाहे आप हमेशा नया मॉडल डाउनलोड करना चाहते हैं और उन स्थितियों को को डाउनलोड करने की अनुमति देनी है.

डाउनलोड करने के इन तीन तरीकों में से कोई एक चुनें:

आपको मॉडल से जुड़ी सुविधाएं बंद करनी चाहिए. उदाहरण के लिए, ग्रे-आउट या अपने यूज़र इंटरफ़ेस (यूआई) का कुछ हिस्सा छिपाएं—जब तक आप यह पुष्टि नहीं कर लेते कि मॉडल डाउनलोड हो गया है.

FirebaseModelDownloader.instance
    .getModel(
        "yourModelName",
        FirebaseModelDownloadType.localModel,
        FirebaseModelDownloadConditions(
          iosAllowsCellularAccess: true,
          iosAllowsBackgroundDownloading: false,
          androidChargingRequired: false,
          androidWifiRequired: false,
          androidDeviceIdleRequired: false,
        )
    )
    .then((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.
      final localModelPath = customModel.file;

      // ...
    });

कई ऐप्लिकेशन अपने इनिशलाइज़ेशन कोड में डाउनलोड टास्क शुरू करते हैं, लेकिन आप ऐसा कर सकते हैं इसलिए आपको मॉडल का उपयोग करने की ज़रूरत नहीं पड़ेगी.

3. इनपुट डेटा के आधार पर अनुमान लगाएं

अब जब आपके पास डिवाइस पर अपनी मॉडल फ़ाइल है, तो आप इसका उपयोग अनुमान लगाने के लिए, TensorFlow Lite का इंटरप्रेटर. रखरखाव के बिना Dart के लिए TensorFlow Lite लाइब्रेरी में बदलना है, तो आपको TensorFlow Lite की नेटिव लाइब्रेरी Android और iOS के लिए.

अपेंडिक्स: मॉडल की सुरक्षा

भले ही, आप TensorFlow Lite के मॉडल Firebase ML और Firebase ML उन्हें इस तरह संग्रहित करता है कि वे मानक सीरियल वाले प्रोटोबफ़ फ़ॉर्मैट में लोकल स्टोरेज.

सिद्धांत के तौर पर, इसका मतलब है कि कोई भी व्यक्ति आपके मॉडल की कॉपी बना सकता है. हालांकि, इसलिए, ज़्यादातर मॉडल ऐप्लिकेशन के हिसाब से खास होते हैं. साथ ही, इस तरह के ऑप्टिमाइज़ेशन की तुलना करना कि जोखिम, प्रतिस्पर्धियों के अलग-अलग होने की तुलना में ही है और आपके कोड का दोबारा इस्तेमाल करना चाहिए. फिर भी, आपको कीवर्ड का इस्तेमाल करने से पहले इस जोखिम के बारे में पता होना चाहिए कस्टम मॉडल की ज़रूरत होती है.