En plus de l'API native, vous pouvez accéder à TensorFlow Lite dans les services Google Play à l'aide des API Java. En particulier, TensorFlow Lite dans les services Google Play est disponible via l'API TensorFlow Lite Interpreter.
Utiliser les API Interpréteur
L'API Interpréteur TensorFlow Lite, fournie par l'environnement d'exécution TensorFlow, fournit une interface à usage général permettant de créer et d'exécuter des modèles de ML. Procédez comme suit pour exécuter des inférences avec l'API Interpréteur à l'aide de TensorFlow Lite dans l'environnement d'exécution des services Google Play.
1. Ajouter des dépendances au projet
Ajoutez les dépendances suivantes au code de votre projet d'application afin d'accéder à l'API Play Services pour TensorFlow Lite:
dependencies {
...
// Tensorflow Lite dependencies for Google Play services
implementation 'com.google.android.gms:play-services-tflite-java:16.0.1'
// Optional: include Tensorflow Lite Support Library
implementation 'com.google.android.gms:play-services-tflite-support:16.0.1'
...
}
2. Ajouter l'initialisation de TensorFlow Lite
Initialisez le composant TensorFlow Lite de l'API des services Google Play avant d'utiliser les API TensorFlow Lite:
Kotlin
val initializeTask: Task<Void> by lazy { TfLite.initialize(this) }
Java
Task<Void> initializeTask = TfLite.initialize(context);
3. Créer un interpréteur et définir l'option d'exécution
Créez un interpréteur à l'aide de InterpreterApi.create()
et configurez-le pour utiliser l'environnement d'exécution des services Google Play en appelant InterpreterApi.Options.setRuntime()
, comme indiqué dans l'exemple de code suivant:
Kotlin
import org.tensorflow.lite.InterpreterApi import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime ... private lateinit var interpreter: InterpreterApi ... initializeTask.addOnSuccessListener { val interpreterOption = InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) interpreter = InterpreterApi.create( modelBuffer, interpreterOption )} .addOnFailureListener { e -> Log.e("Interpreter", "Cannot initialize interpreter", e) }
Java
import org.tensorflow.lite.InterpreterApi import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime ... private InterpreterApi interpreter; ... initializeTask.addOnSuccessListener(a -> { interpreter = InterpreterApi.create(modelBuffer, new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)); }) .addOnFailureListener(e -> { Log.e("Interpreter", String.format("Cannot initialize interpreter: %s", e.getMessage())); });
Vous devez utiliser l'implémentation ci-dessus, car elle évite de bloquer le thread de l'interface utilisateur Android. Si vous devez gérer de plus près l'exécution des threads, vous pouvez ajouter un appel Tasks.await()
à la création de l'interpréteur:
Kotlin
import androidx.lifecycle.lifecycleScope ... lifecycleScope.launchWhenStarted { // uses coroutine initializeTask.await() }
Java
@BackgroundThread InterpreterApi initializeInterpreter() { Tasks.await(initializeTask); return InterpreterApi.create(...); }
4. Exécuter des inférences
À l'aide de l'objet interpreter
que vous avez créé, appelez la méthode run()
pour générer une inférence.
Kotlin
interpreter.run(inputBuffer, outputBuffer)
Java
interpreter.run(inputBuffer, outputBuffer);
Accélération matérielle
TensorFlow Lite vous permet d'accélérer les performances de votre modèle à l'aide de processeurs matériels spécialisés, tels que des processeurs graphiques (GPU). Vous pouvez exploiter ces processeurs spécialisés à l'aide de pilotes matériels appelés délégués.
Le délégué de GPU est fourni via les services Google Play et est chargé de manière dynamique, tout comme les versions des services Play de l'API Interpréteur.
Vérifier la compatibilité de l'appareil
Tous les appareils ne sont pas compatibles avec l'accélération matérielle GPU avec TFLite. Pour atténuer les erreurs et les plantages potentiels, utilisez la méthode TfLiteGpu.isGpuDelegateAvailable
pour vérifier si un appareil est compatible avec le délégué GPU.
Utilisez cette méthode pour vérifier si un appareil est compatible avec le GPU, et utilisez le processeur comme solution de secours lorsque le GPU n'est pas pris en charge.
useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context)
Une fois que vous disposez d'une variable telle que useGpuTask
, vous pouvez l'utiliser pour déterminer si les appareils utilisent le délégué GPU.
Kotlin
val interpreterTask = useGpuTask.continueWith { task -> val interpreterOptions = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) if (task.result) { interpreterOptions.addDelegateFactory(GpuDelegateFactory()) } InterpreterApi.create(FileUtil.loadMappedFile(context, MODEL_PATH), interpreterOptions) }
Java
Task<InterpreterApi.Options> interpreterOptionsTask = useGpuTask.continueWith({ task -> InterpreterApi.Options options = new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY); if (task.getResult()) { options.addDelegateFactory(new GpuDelegateFactory()); } return options; });
GPU avec API Interpréteur
Pour utiliser le délégué GPU avec les API Interpréteur:
Mettez à jour les dépendances du projet pour utiliser le délégué GPU des services Play:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
Activez l'option de délégué de GPU dans l'initialisation de TFlite:
Kotlin
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build())
Java
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build());
Activez le délégué GPU dans les options de l'interpréteur: définissez la fabrique déléguée sur GpuDelegateFactory en appelant
addDelegateFactory() within
SignificationerApi.Options()`:Kotlin
val interpreterOption = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(GpuDelegateFactory())
Java
Options interpreterOption = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(new GpuDelegateFactory());
Migrer depuis la version autonome de TensorFlow Lite
Si vous prévoyez de migrer votre application de la version autonome de TensorFlow Lite vers l'API des services Play, consultez les conseils supplémentaires suivants pour mettre à jour le code de votre projet d'application:
- Consultez la section Limites de cette page pour vous assurer que votre cas d'utilisation est pris en charge.
- Avant de mettre à jour votre code, vérifiez les performances et la justesse de vos modèles, en particulier si vous utilisez des versions de TensorFlow Lite antérieures à la version 2.1. Vous disposerez ainsi d'une référence pour la comparer à la nouvelle implémentation.
- Si vous avez migré tout votre code pour utiliser l'API des services Play pour TensorFlow Lite, vous devez supprimer les dépendances existantes de la bibliothèque d'exécution TensorFlow Lite (entrées associées à
org.tensorflow:tensorflow-lite:*
) du fichier build.gradle, afin de pouvoir réduire la taille de votre application. - Identifiez toutes les occurrences de création d'objet
new Interpreter
dans votre code et modifiez chacune d'elles afin qu'elle utilise l'appel InterpreterApi.create(). Le nouveau TfLite.divers est asynchrone, ce qui signifie qu'il ne s'agit pas dans la plupart des cas d'un remplacement ponctuel: vous devez enregistrer un écouteur à la fin de l'appel. Reportez-vous à l'extrait de code de l'étape 3. - Ajoutez
import org.tensorflow.lite.InterpreterApi;
etimport org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime;
à tous les fichiers sources à l'aide des classesorg.tensorflow.lite.Interpreter
ouorg.tensorflow.lite.InterpreterApi
. - Si l'un des appels obtenus à
InterpreterApi.create()
ne comporte qu'un seul argument, ajouteznew InterpreterApi.Options()
à la liste d'arguments. - Ajoutez
.setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
au dernier argument de tous les appels àInterpreterApi.create()
. - Remplacez toutes les autres occurrences de la classe
org.tensorflow.lite.Interpreter
parorg.tensorflow.lite.InterpreterApi
.
Si vous souhaitez utiliser la version autonome de TensorFlow Lite et l'API des services Play côte à côte, vous devez utiliser TensorFlow Lite 2.9 (ou une version ultérieure). TensorFlow Lite 2.8 et les versions antérieures ne sont pas compatibles avec la version de l'API des services Play.