Com os metadados do TensorFlow Lite, os desenvolvedores podem gerar um código de wrapper para ativar a integração no Android. Para a maioria dos desenvolvedores, a interface gráfica da Vinculação de modelos de ML no Android Studio é a mais fácil de usar. Se você precisar de mais personalização ou estiver usando ferramentas de linha de comando, o TensorFlow Lite Codegen também está disponível.
Usar o Android Studio ML Model Binding
Para modelos do TensorFlow Lite aprimorados com metadados,
os desenvolvedores podem usar a vinculação de modelos de ML no Android Studio para definir automaticamente
as configurações do projeto e gerar classes de wrapper com base nos metadados
do modelo. O código do wrapper elimina a necessidade de interagir diretamente com
ByteBuffer
. Em vez disso, os desenvolvedores podem interagir com o modelo do TensorFlow Lite
com objetos tipados, como Bitmap
e Rect
.
Importar um modelo do TensorFlow Lite no Android Studio
Clique com o botão direito do mouse no módulo que você quer usar o modelo TFLite ou clique em
File
e depois emNew
>Other
>TensorFlow Lite Model
Selecione o local do arquivo TFLite. As ferramentas vão configurar a dependência do módulo em seu nome com a vinculação de modelo de ML, e todas as dependências são inseridas automaticamente no arquivo
build.gradle
do módulo do Android.Opcional: marque a segunda caixa de seleção para importar a GPU do TensorFlow se você quiser usar a aceleração de GPU.
Clique em
Finish
.A tela a seguir vai aparecer depois que a importação for concluída. Para começar a usar o modelo, selecione Kotlin ou Java, copie e cole o código na seção
Sample Code
. É possível retornar a essa tela clicando duas vezes no modelo TFLite no diretórioml
do Android Studio.
Como acelerar a inferência de modelos
O ML Model Binding oferece aos desenvolvedores uma maneira de acelerar o código usando delegados e o número de linhas de execução.
Etapa 1. Verifique o arquivo build.gradle
do módulo se ele contém a seguinte
dependência:
dependencies {
...
// TFLite GPU delegate 2.3.0 or above is required.
implementation 'org.tensorflow:tensorflow-lite-gpu:2.3.0'
}
Etapa 2: Detecte se a GPU em execução no dispositivo é compatível com o delegado de GPU do TensorFlow, caso contrário, execute o modelo usando várias linhas de execução da 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
Gerar interfaces de modelo com o gerador de código do TensorFlow Lite
Para o modelo do TensorFlow Lite aprimorado com metadados,
os desenvolvedores podem usar o gerador de código do wrapper do TensorFlow Lite para Android para criar
um código de wrapper específico da plataforma. O código do wrapper elimina a necessidade de interagir
diretamente com ByteBuffer
. Em vez disso, os desenvolvedores podem interagir com o modelo do TensorFlow Lite com objetos tipados, como Bitmap
e Rect
.
A utilidade do gerador de código depende da integridade da
entrada de metadados do modelo do TensorFlow Lite. Consulte a seção <Codegen usage>
em campos relevantes em
metadata_schema.fbs
para ver como a ferramenta codegen analisa cada campo.
Gerar código do wrapper
Você precisará instalar as seguintes ferramentas no seu terminal:
pip install tflite-support
Depois de concluído, o gerador de código pode ser usado usando a seguinte sintaxe:
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
O código resultante estará no diretório de destino. Se você estiver usando o Google Colab ou outro ambiente remoto, talvez seja mais fácil compactar o resultado em um arquivo ZIP e fazer o download dele para seu projeto do Android Studio:
# 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')
Como usar o código gerado
Etapa 1: importar o código gerado
Descompacte o código gerado, se necessário, em uma estrutura de diretórios. A raiz do
código gerado é SRC_ROOT
.
Abra o projeto do Android Studio em que você quer usar o modelo TensorFlow Lite
e importe o módulo gerado: And File -> New -> Import Module ->
selecione SRC_ROOT
Usando o exemplo acima, o diretório e o módulo importados seriam chamados de
classify_wrapper
.
Etapa 2: atualizar o arquivo build.gradle
do app
No módulo do app que vai consumir o módulo de biblioteca gerado:
Na seção Android, adicione o seguinte:
aaptOptions {
noCompress "tflite"
}
Na seção de dependências, adicione o seguinte:
implementation project(":classify_wrapper")
Etapa 3: usar o modelo
// 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();
}
Como acelerar a inferência de modelos
O código gerado oferece uma maneira para que os desenvolvedores acelerem o código usando delegados e o número de linhas de execução. Eles podem ser definidos ao inicializar o objeto do modelo porque são necessários três parâmetros:
Context
: contexto da atividade ou do serviço do Android- (Opcional)
Device
: delegado de aceleração do TFLite. Por exemplo: GPUDelegate. - (Opcional)
numThreads
: número de linhas de execução usadas para executar o modelo. O padrão é um.
Por exemplo, para usar um delegado de GPU e até três linhas de execução, você pode inicializar o modelo desta forma:
try {
myImageClassifier = new MyClassifierModel(this, Model.Device.GPU, 3);
} catch (IOException io){
// Error reading the model
}
Solução de problemas
Se você receber o erro "java.io.FileNotFoundException: This file can not be open as a de descritor do arquivo; provavelmente está compactado", insira as seguintes linhas na seção do Android do módulo do app que vai usar o módulo da biblioteca:
aaptOptions {
noCompress "tflite"
}