TensorFlow Lite di layanan Google Play juga dapat diakses menggunakan Java API, selain Native API. Secara khusus, TensorFlow Lite di layanan Google Play tersedia melalui TensorFlow Lite Interpreter API.
Menggunakan Interpreter API
TensorFlow Lite Interpreter API, yang disediakan oleh runtime TensorFlow, menyediakan antarmuka serbaguna untuk membangun dan menjalankan model ML. Gunakan langkah-langkah berikut untuk menjalankan inferensi dengan Interpreter API menggunakan TensorFlow Lite di runtime layanan Google Play.
1. Menambahkan dependensi project
Tambahkan dependensi berikut ke kode project aplikasi Anda untuk mengakses Play Services API untuk 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. Menambahkan inisialisasi TensorFlow Lite
Lakukan inisialisasi komponen TensorFlow Lite dari API layanan Google Play sebelum menggunakan TensorFlow Lite API:
Kotlin
val initializeTask: Task<Void> by lazy { TfLite.initialize(this) }
Java
Task<Void> initializeTask = TfLite.initialize(context);
3. Membuat Penerjemah dan menetapkan opsi runtime
Buat penafsir menggunakan InterpreterApi.create()
dan konfigurasikan untuk menggunakan runtime layanan Google Play, dengan memanggil InterpreterApi.Options.setRuntime()
, seperti yang ditunjukkan pada kode contoh berikut:
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())); });
Anda harus menggunakan implementasi di atas karena akan menghindari pemblokiran thread antarmuka
pengguna Android. Jika perlu mengelola eksekusi thread dengan lebih cermat, Anda
dapat menambahkan panggilan Tasks.await()
ke pembuatan penafsir:
Kotlin
import androidx.lifecycle.lifecycleScope ... lifecycleScope.launchWhenStarted { // uses coroutine initializeTask.await() }
Java
@BackgroundThread InterpreterApi initializeInterpreter() { Tasks.await(initializeTask); return InterpreterApi.create(...); }
4. Menjalankan inferensi
Dengan menggunakan objek interpreter
yang Anda buat, panggil metode run()
untuk menghasilkan
inferensi.
Kotlin
interpreter.run(inputBuffer, outputBuffer)
Java
interpreter.run(inputBuffer, outputBuffer);
Akselerasi hardware
TensorFlow Lite memungkinkan Anda mempercepat performa model menggunakan prosesor hardware khusus, seperti unit pemrosesan grafis (GPU). Anda dapat memanfaatkan prosesor khusus ini menggunakan driver hardware yang disebut delegasi.
Delegasi GPU disediakan melalui layanan Google Play dan dimuat secara dinamis, seperti versi layanan Play dari Interpreter API.
Memeriksa kompatibilitas perangkat
Tidak semua perangkat mendukung akselerasi hardware GPU dengan TFLite. Untuk
mengurangi error dan potensi error, gunakan
metode TfLiteGpu.isGpuDelegateAvailable
untuk memeriksa apakah perangkat
kompatibel dengan delegasi GPU.
Gunakan metode ini untuk mengonfirmasi apakah perangkat kompatibel dengan GPU, dan menggunakan CPU sebagai penggantian saat GPU tidak didukung.
useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context)
Setelah memiliki variabel seperti useGpuTask
, Anda dapat menggunakannya untuk menentukan apakah
perangkat menggunakan delegasi GPU atau tidak.
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 dengan Interpreter API
Untuk menggunakan delegasi GPU dengan Interpreter API:
Update dependensi project untuk menggunakan delegasi GPU dari layanan Play:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
Aktifkan opsi delegasi GPU dalam inisialisasi TFlite:
Kotlin
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build())
Java
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build());
Aktifkan delegasi GPU dalam opsi penafsir: tetapkan factory delegasi ke GpuDelegateFactory dengan memanggil
addDelegateFactory() within
InterpreterApi.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());
Bermigrasi dari TensorFlow Lite yang berdiri sendiri
Jika Anda berencana memigrasikan aplikasi dari TensorFlow Lite mandiri ke API layanan Play, tinjau panduan tambahan berikut untuk memperbarui kode project aplikasi Anda:
- Tinjau bagian Batasan di halaman ini untuk memastikan kasus penggunaan Anda didukung.
- Sebelum memperbarui kode, lakukan pemeriksaan performa dan akurasi untuk model Anda, terutama jika menggunakan versi TensorFlow Lite yang lebih awal dari versi 2.1, sehingga Anda memiliki dasar pengukuran untuk dibandingkan dengan implementasi baru.
- Jika telah memigrasikan semua kode agar dapat menggunakan Play Services API untuk TensorFlow Lite, Anda harus menghapus dependensi library runtime TensorFlow Lite yang ada (entri dengan
org.tensorflow:tensorflow-lite:*
) dari file build.gradle agar Anda dapat mengurangi ukuran aplikasi. - Identifikasi semua kemunculan objek
new Interpreter
dalam kode Anda, dan ubah setiap kemunculannya sehingga menggunakan panggilan InterpreterApi.create(). TfLite.initialize baru bersifat asinkron, yang berarti dalam sebagian besar kasus, ini bukan pengganti drop-in: Anda harus mendaftarkan pemroses saat panggilan selesai. Lihat cuplikan kode di kode Langkah 3. - Menambahkan
import org.tensorflow.lite.InterpreterApi;
danimport org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime;
ke file sumber apa pun menggunakan classorg.tensorflow.lite.Interpreter
atauorg.tensorflow.lite.InterpreterApi
. - Jika salah satu panggilan yang dihasilkan ke
InterpreterApi.create()
hanya memiliki satu argumen, tambahkannew InterpreterApi.Options()
ke daftar argumen. - Tambahkan
.setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
ke argumen terakhir dari panggilan apa pun keInterpreterApi.create()
. - Ganti semua kemunculan lain dari class
org.tensorflow.lite.Interpreter
denganorg.tensorflow.lite.InterpreterApi
.
Jika ingin menggunakan TensorFlow Lite mandiri dan API layanan Play secara berdampingan, Anda harus menggunakan TensorFlow Lite 2.9 (atau yang lebih baru). TensorFlow Lite 2.8 dan versi yang lebih lama tidak kompatibel dengan versi API layanan Play.