Membuat antarmuka model menggunakan metadata

Dengan TensorFlow Lite Metadata, developer dapat membuat kode wrapper untuk mengaktifkan integrasi di Android. Bagi sebagian besar developer, antarmuka grafis Android Studio ML Model Binding adalah yang paling mudah digunakan. Jika Anda memerlukan lebih banyak penyesuaian atau menggunakan alat command line, TensorFlow Lite Codegen juga tersedia.

Menggunakan Binding Model ML Android Studio

Untuk model TensorFlow Lite yang ditingkatkan dengan metadata, developer dapat menggunakan Android Studio ML Model Binding untuk mengonfigurasi setelan project secara otomatis dan membuat class wrapper berdasarkan metadata model. Kode wrapper menghilangkan kebutuhan untuk berinteraksi langsung dengan ByteBuffer. Sebagai gantinya, developer dapat berinteraksi dengan model TensorFlow Lite dengan objek yang diketik seperti Bitmap dan Rect.

Mengimpor model TensorFlow Lite di Android Studio

  1. Klik kanan pada modul yang ingin Anda gunakan dengan model TFLite atau klik File, lalu New > Other > TensorFlow Lite Model

  2. Pilih lokasi file TFLite Anda. Perhatikan bahwa alat ini akan mengonfigurasi dependensi modul atas nama Anda dengan binding Model ML dan semua dependensi secara otomatis disisipkan ke dalam file build.gradle modul Android Anda.

    Opsional: Pilih kotak centang kedua untuk mengimpor TensorFlow GPU jika Anda ingin menggunakan akselerasi GPU.

  3. Klik Finish.

  4. Layar berikut akan muncul setelah impor berhasil. Untuk mulai menggunakan model, pilih Kotlin atau Java, salin dan tempel kode di bawah bagian Sample Code. Anda dapat kembali ke layar ini dengan mengklik dua kali model TFLite pada direktori ml di Android Studio.

Mempercepat inferensi model

ML Model Binding menyediakan cara bagi developer untuk mempercepat kode mereka melalui penggunaan delegasi dan jumlah thread.

Langkah 1. Periksa file build.gradle modul apakah file tersebut berisi dependensi berikut:

    dependencies {
        ...
        // TFLite GPU delegate 2.3.0 or above is required.
        implementation 'org.tensorflow:tensorflow-lite-gpu:2.3.0'
    }

Langkah 2: Deteksi apakah GPU yang berjalan di perangkat kompatibel dengan delegasi GPU TensorFlow, jika tidak menjalankan model menggunakan beberapa thread CPU:

Kotlin

    import org.tensorflow.lite.gpu.CompatibilityList
    import org.tensorflow.lite.gpu.GpuDelegate

    val compatList = CompatibilityList()

    val options = if(compatList.isDelegateSupportedOnThisDevice) {
        // if the device has a supported GPU, add the GPU delegate
        Model.Options.Builder().setDevice(Model.Device.GPU).build()
    } else {
        // if the GPU is not supported, run on 4 threads
        Model.Options.Builder().setNumThreads(4).build()
    }

    // Initialize the model as usual feeding in the options object
    val myModel = MyModel.newInstance(context, options)

    // Run inference per sample code

Java

    import org.tensorflow.lite.support.model.Model
    import org.tensorflow.lite.gpu.CompatibilityList;
    import org.tensorflow.lite.gpu.GpuDelegate;

    // Initialize interpreter with GPU delegate
    Model.Options options;
    CompatibilityList compatList = CompatibilityList();

    if(compatList.isDelegateSupportedOnThisDevice()){
        // if the device has a supported GPU, add the GPU delegate
        options = Model.Options.Builder().setDevice(Model.Device.GPU).build();
    } else {
        // if the GPU is not supported, run on 4 threads
        options = Model.Options.Builder().setNumThreads(4).build();
    }

    MyModel myModel = new MyModel.newInstance(context, options);

    // Run inference per sample code

Membuat antarmuka model dengan generator kode TensorFlow Lite

Untuk model TensorFlow Lite yang ditingkatkan dengan metadata, developer dapat menggunakan generator kode wrapper Android TensorFlow Lite untuk membuat kode wrapper khusus platform. Kode wrapper menghilangkan kebutuhan untuk berinteraksi langsung dengan ByteBuffer. Sebagai gantinya, developer dapat berinteraksi dengan model TensorFlow Lite dengan objek yang diketik seperti Bitmap dan Rect.

Kegunaan generator kode bergantung pada kelengkapan entri metadata model TensorFlow Lite. Lihat bagian <Codegen usage> pada kolom yang relevan di metadata_schema.fbs, untuk melihat cara alat codegen mengurai setiap kolom.

Membuat Kode wrapper

Anda harus menginstal alat berikut di terminal:

pip install tflite-support

Setelah selesai, generator kode dapat digunakan menggunakan sintaksis berikut:

tflite_codegen --model=./model_with_metadata/mobilenet_v1_0.75_160_quantized.tflite \
    --package_name=org.tensorflow.lite.classify \
    --model_class_name=MyClassifierModel \
    --destination=./classify_wrapper

Kode yang dihasilkan akan ditempatkan di direktori tujuan. Jika Anda menggunakan Google Colab atau lingkungan jarak jauh lainnya, mungkin akan lebih mudah untuk meng-zip hasil dalam arsip zip dan mendownloadnya ke project Android Studio Anda:

# Zip up the generated code
!zip -r classify_wrapper.zip classify_wrapper/

# Download the archive
from google.colab import files
files.download('classify_wrapper.zip')

Menggunakan kode yang dihasilkan

Langkah 1: Impor kode yang dibuat

Ekstrak kode yang dihasilkan jika perlu ke dalam struktur direktori. Root kode yang dihasilkan diasumsikan sebagai SRC_ROOT.

Buka project Android Studio tempat Anda ingin menggunakan model TensorFlow lite dan impor modul yang dihasilkan dengan: Dan File -> New -> Import Module -> pilih SRC_ROOT

Dengan menggunakan contoh di atas, direktori dan modul yang diimpor akan disebut classify_wrapper.

Langkah 2: Update file build.gradle aplikasi

Dalam modul aplikasi yang akan menggunakan modul library yang dihasilkan:

Pada bagian Android, tambahkan kode berikut:

aaptOptions {
   noCompress "tflite"
}

Di bagian dependensi, tambahkan string berikut:

implementation project(":classify_wrapper")

Langkah 3: Menggunakan model

// 1. Initialize the model
MyClassifierModel myImageClassifier = null;

try {
    myImageClassifier = new MyClassifierModel(this);
} catch (IOException io){
    // Error reading the model
}

if(null != myImageClassifier) {

    // 2. Set the input with a Bitmap called inputBitmap
    MyClassifierModel.Inputs inputs = myImageClassifier.createInputs();
    inputs.loadImage(inputBitmap));

    // 3. Run the model
    MyClassifierModel.Outputs outputs = myImageClassifier.run(inputs);

    // 4. Retrieve the result
    Map<String, Float> labeledProbability = outputs.getProbability();
}

Mempercepat inferensi model

Kode yang dihasilkan menyediakan cara bagi developer untuk mempercepat kode mereka melalui penggunaan delegasi dan jumlah thread. Hal ini dapat disetel saat melakukan inisialisasi objek model karena memerlukan tiga parameter:

  • Context: Konteks dari Aktivitas atau Layanan Android
  • (Opsional) Device: Delegasi akselerasi TFLite. Misalnya: GPUDelegate
  • (Opsional) numThreads: Jumlah thread yang digunakan untuk menjalankan model - defaultnya adalah satu.

Misalnya, untuk menggunakan delegasi GPU dan maksimal tiga thread, Anda dapat menginisialisasi model seperti ini:

try {
    myImageClassifier = new MyClassifierModel(this, Model.Device.GPU, 3);
} catch (IOException io){
    // Error reading the model
}

Pemecahan masalah

Jika mendapatkan pesan 'java.io.FileNotFoundException: File ini tidak dapat dibuka sebagai deskripsi file; file ini mungkin mengalami error terkompresi', sisipkan baris berikut di bagian android modul aplikasi yang akan menggunakan modul library:

aaptOptions {
   noCompress "tflite"
}