アプリでカスタムTensorFlowLiteモデルを使用している場合は、FirebaseMLを使用してモデルをデプロイできます。 Firebaseを使用してモデルをデプロイすることで、アプリの初期ダウンロードサイズを縮小し、アプリの新しいバージョンをリリースせずにアプリのMLモデルを更新できます。また、リモート構成とA / Bテストを使用すると、さまざまなモデルをさまざまなユーザーセットに動的に提供できます。
TensorFlowLiteモデル
TensorFlow Liteモデルは、モバイルデバイスで実行するように最適化されたMLモデルです。 TensorFlow Liteモデルを取得するには：
あなたが始める前に
まだ行っていない場合は、Flutter用のFirebaseSDKをインストールして初期化します。
Flutterプロジェクトのルートディレクトリから、次のコマンドを実行してMLモデルダウンローダープラグインをインストールします。
flutter pub add firebase_ml_model_downloaderプロジェクトを再構築します。
flutter run
1.モデルをデプロイします
FirebaseコンソールまたはFirebaseAdminPythonおよびNode.jsSDKを使用して、カスタムTensorFlowモデルをデプロイします。カスタムモデルの展開と管理を参照してください。
Firebaseプロジェクトにカスタムモデルを追加した後、指定した名前を使用してアプリでモデルを参照できます。 getModel()を呼び出すことで、いつでも新しいTensorFlow Liteモデルをデプロイし、新しいモデルをユーザーのデバイスにダウンロードできます（以下を参照）。
2.モデルをデバイスにダウンロードし、TensorFlowLiteインタープリターを初期化します
アプリでTensorFlowLiteモデルを使用するには、最初にモデルダウンローダーを使用して、モデルの最新バージョンをデバイスにダウンロードします。次に、モデルを使用してTensorFlowLiteインタープリターをインスタンス化します。
モデルのダウンロードを開始するには、モデルダウンローダーのgetModel()メソッドを呼び出し、アップロード時にモデルに割り当てた名前、常に最新のモデルをダウンロードするかどうか、およびダウンロードを許可する条件を指定します。
次の3つのダウンロード動作から選択できます。
| ダウンロードタイプ | 説明 |
|---|---|
localModel | デバイスからローカルモデルを取得します。使用可能なローカルモデルがない場合、これはlatestModelのように動作します。モデルの更新を確認することに興味がない場合は、このダウンロードタイプを使用してください。たとえば、Remote Configを使用してモデル名を取得していて、常に新しい名前でモデルをアップロードしている（推奨）。 |
localModelUpdateInBackground | デバイスからローカルモデルを取得し、バックグラウンドでモデルの更新を開始します。使用可能なローカルモデルがない場合、これはlatestModelのように動作します。 |
latestModel | 最新モデルを入手してください。ローカルモデルが最新バージョンの場合は、ローカルモデルを返します。それ以外の場合は、最新モデルをダウンロードしてください。この動作は、最新バージョンがダウンロードされるまでブロックされます（推奨されません）。この動作は、最新バージョンが明示的に必要な場合にのみ使用してください。 |
モデルがダウンロードされたことを確認するまで、モデル関連の機能（UIの一部をグレーアウトまたは非表示にするなど）を無効にする必要があります。
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;
// ...
});
多くのアプリは初期化コードでダウンロードタスクを開始しますが、モデルを使用する前であればいつでもダウンロードできます。
3.入力データに対して推論を実行します
デバイスにモデルファイルができたので、TensorFlowLiteインタープリターでモデルファイルを使用して推論を実行できます。このために、いくつかのオプションがあります。
- iOSおよびAndroid用のネイティブTensorFlowLiteライブラリ。
-
tflite_flutterやtfliteなどのコミュニティで開発されたFlutterプラグインの1つ。
付録：モデルのセキュリティ
TensorFlowLiteモデルをFirebaseMLで利用できるようにする方法に関係なく、FirebaseMLはそれらを標準のシリアル化されたprotobuf形式でローカルストレージに保存します。
理論的には、これは誰でもモデルをコピーできることを意味します。ただし、実際には、ほとんどのモデルはアプリケーション固有であり、最適化によって難読化されているため、リスクは競合他社がコードを逆アセンブルして再利用する場合と同様です。それでも、アプリでカスタムモデルを使用する前に、このリスクに注意する必要があります。