Elabora i dati di input e di output con la libreria di assistenza TensorFlow Lite

Gli sviluppatori di applicazioni mobile in genere interagiscono con oggetti digitati come bitmap o primitive come i numeri interi. Tuttavia, l'API Interprete di TensorFlow Lite che esegue il modello di machine learning on-device utilizza tensori sotto forma di ByteBuffer, che può essere difficile da sottoporre a debug e manipolare. La libreria di assistenza Android TensorFlow Lite è progettata per elaborare l'input e l'output dei modelli TensorFlow Lite e per semplificare l'utilizzo dell'interprete di TensorFlow Lite.

Per iniziare

Importa la dipendenza Gradle e altre impostazioni

Copia il file del modello .tflite nella directory degli asset del modulo Android in cui verrà eseguito il modello. Specifica che il file non deve essere compresso e aggiungi la libreria TensorFlow Lite al file build.gradle del modulo:

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }

}

dependencies {
    // Other dependencies

    // Import tflite dependencies
    implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
    // The GPU delegate library is optional. Depend on it as needed.
    implementation 'org.tensorflow:tensorflow-lite-gpu:0.0.0-nightly-SNAPSHOT'
    implementation 'org.tensorflow:tensorflow-lite-support:0.0.0-nightly-SNAPSHOT'
}

Esplora l'AAR della libreria di assistenza TensorFlow Lite ospitata su MavenCentral per le diverse versioni della libreria di assistenza.

Manipolazione e conversione di base delle immagini

La libreria di supporto di TensorFlow Lite offre una suite di metodi di manipolazione di base delle immagini, come il ritaglio e il ridimensionamento. Per usarlo, crea un ImagePreprocessor e aggiungi le operazioni richieste. Per convertire l'immagine nel formato tensore richiesto dall'interprete di TensorFlow Lite, crea un valore TensorImage da utilizzare come input:

import org.tensorflow.lite.DataType;
import org.tensorflow.lite.support.image.ImageProcessor;
import org.tensorflow.lite.support.image.TensorImage;
import org.tensorflow.lite.support.image.ops.ResizeOp;

// Initialization code
// Create an ImageProcessor with all ops required. For more ops, please
// refer to the ImageProcessor Architecture section in this README.
ImageProcessor imageProcessor =
    new ImageProcessor.Builder()
        .add(new ResizeOp(224, 224, ResizeOp.ResizeMethod.BILINEAR))
        .build();

// Create a TensorImage object. This creates the tensor of the corresponding
// tensor type (uint8 in this case) that the TensorFlow Lite interpreter needs.
TensorImage tensorImage = new TensorImage(DataType.UINT8);

// Analysis code for every frame
// Preprocess the image
tensorImage.load(bitmap);
tensorImage = imageProcessor.process(tensorImage);

DataType di un tensore può essere letto nella libreria degli estrattori di metadati e in altre informazioni del modello.

Trattamento dati audio di base

La libreria di assistenza TensorFlow Lite definisce anche un wrapping di classi TensorAudio per alcuni metodi di base di elaborazione dei dati audio. Viene utilizzato principalmente insieme a AudioRecord e acquisisce campioni audio in un ring buffer.

import android.media.AudioRecord;
import org.tensorflow.lite.support.audio.TensorAudio;

// Create an `AudioRecord` instance.
AudioRecord record = AudioRecord(...)

// Create a `TensorAudio` object from Android AudioFormat.
TensorAudio tensorAudio = new TensorAudio(record.getFormat(), size)

// Load all audio samples available in the AudioRecord without blocking.
tensorAudio.load(record)

// Get the `TensorBuffer` for inference.
TensorBuffer buffer = tensorAudio.getTensorBuffer()

Crea oggetti di output ed esegui il modello

Prima di eseguire il modello, dobbiamo creare gli oggetti container che archivieranno il risultato:

import org.tensorflow.lite.DataType;
import org.tensorflow.lite.support.tensorbuffer.TensorBuffer;

// Create a container for the result and specify that this is a quantized model.
// Hence, the 'DataType' is defined as UINT8 (8-bit unsigned integer)
TensorBuffer probabilityBuffer =
    TensorBuffer.createFixedSize(new int[]{1, 1001}, DataType.UINT8);

Caricamento del modello ed esecuzione dell'inferenza:

import java.nio.MappedByteBuffer;
import org.tensorflow.lite.InterpreterFactory;
import org.tensorflow.lite.InterpreterApi;

// Initialise the model
try{
    MappedByteBuffer tfliteModel
        = FileUtil.loadMappedFile(activity,
            "mobilenet_v1_1.0_224_quant.tflite");
    InterpreterApi tflite = new InterpreterFactory().create(
        tfliteModel, new InterpreterApi.Options());
} catch (IOException e){
    Log.e("tfliteSupport", "Error reading model", e);
}

// Running inference
if(null != tflite) {
    tflite.run(tImage.getBuffer(), probabilityBuffer.getBuffer());
}

Accesso al risultato

Gli sviluppatori possono accedere all'output direttamente tramite probabilityBuffer.getFloatArray(). Se il modello produce un output quantizzato, ricordati di convertire il risultato. Per il modello quantizzato MobileNet, lo sviluppatore deve dividere ogni valore di output per 255 per ottenere una probabilità che va da 0 (meno probabile) a 1 (più probabile) per ogni categoria.

(Facoltativo) Mappatura dei risultati alle etichette

Se vuoi, gli sviluppatori possono anche mappare i risultati alle etichette. Innanzitutto, copia il file di testo con le etichette nella directory degli asset del modulo. Quindi, carica il file delle etichette utilizzando il seguente codice:

import org.tensorflow.lite.support.common.FileUtil;

final String ASSOCIATED_AXIS_LABELS = "labels.txt";
List<String> associatedAxisLabels = null;

try {
    associatedAxisLabels = FileUtil.loadLabels(this, ASSOCIATED_AXIS_LABELS);
} catch (IOException e) {
    Log.e("tfliteSupport", "Error reading label file", e);
}

Lo snippet seguente mostra come associare le probabilità alle etichette di categoria:

import java.util.Map;
import org.tensorflow.lite.support.common.TensorProcessor;
import org.tensorflow.lite.support.common.ops.NormalizeOp;
import org.tensorflow.lite.support.label.TensorLabel;

// Post-processor which dequantize the result
TensorProcessor probabilityProcessor =
    new TensorProcessor.Builder().add(new NormalizeOp(0, 255)).build();

if (null != associatedAxisLabels) {
    // Map of labels and their corresponding probability
    TensorLabel labels = new TensorLabel(associatedAxisLabels,
        probabilityProcessor.process(probabilityBuffer));

    // Create a map to access the result based on label
    Map<String, Float> floatMap = labels.getMapWithFloatValue();
}

Copertura dei casi d'uso attuali

L'attuale versione della libreria di assistenza TensorFlow Lite include:

• tipi di dati comuni (float, uint8, immagini, audio e array di questi oggetti) come input e output dei modelli tflite.
• operazioni di base sulle immagini (ritaglio, ridimensionamento e rotazione).
• normalizzazione e quantizzazione
• utils file

Le versioni future miglioreranno il supporto per le applicazioni correlate al testo.

Architettura del processore di immagini

Il design di ImageProcessor ha consentito di definire preventivamente le operazioni di manipolazione dell'immagine e di ottimizzarle durante il processo di creazione. ImageProcessor attualmente supporta tre operazioni di pre-elaborazione di base, come descritto nei tre commenti nello snippet di codice riportato di seguito:

import org.tensorflow.lite.support.common.ops.NormalizeOp;
import org.tensorflow.lite.support.common.ops.QuantizeOp;
import org.tensorflow.lite.support.image.ops.ResizeOp;
import org.tensorflow.lite.support.image.ops.ResizeWithCropOrPadOp;
import org.tensorflow.lite.support.image.ops.Rot90Op;

int width = bitmap.getWidth();
int height = bitmap.getHeight();

int size = height > width ? width : height;

ImageProcessor imageProcessor =
    new ImageProcessor.Builder()
        // Center crop the image to the largest square possible
        .add(new ResizeWithCropOrPadOp(size, size))
        // Resize using Bilinear or Nearest neighbour
        .add(new ResizeOp(224, 224, ResizeOp.ResizeMethod.BILINEAR));
        // Rotation counter-clockwise in 90 degree increments
        .add(new Rot90Op(rotateDegrees / 90))
        .add(new NormalizeOp(127.5, 127.5))
        .add(new QuantizeOp(128.0, 1/128.0))
        .build();

Ulteriori dettagli sulla normalizzazione e sulla quantizzazione sono disponibili qui.

L'obiettivo finale della libreria di assistenza è supportare tutte le trasformazioni di tf.image. Ciò significa che la trasformazione sarà uguale a quella di TensorFlow e l'implementazione sarà indipendente dal sistema operativo.

Gli sviluppatori sono invitati anche a creare processori personalizzati. In questi casi è importante allinearsi al processo di addestramento, ovvero la stessa pre-elaborazione deve essere applicata sia all'addestramento che all'inferenza per aumentare la riproducibilità.

Quantizzazione

Quando avvii oggetti di input o di output come TensorImage o TensorBuffer, devi specificarne il tipo DataType.UINT8 o DataType.FLOAT32.

TensorImage tensorImage = new TensorImage(DataType.UINT8);
TensorBuffer probabilityBuffer =
    TensorBuffer.createFixedSize(new int[]{1, 1001}, DataType.UINT8);

TensorProcessor può essere utilizzato per quantificare i tensori di input o dequantizzare i tensori di output. Ad esempio, durante l'elaborazione di un output quantizzato TensorBuffer, lo sviluppatore può utilizzare DequantizeOp per dequantizzare il risultato in una probabilità in virgola mobile compresa tra 0 e 1:

import org.tensorflow.lite.support.common.TensorProcessor;

// Post-processor which dequantize the result
TensorProcessor probabilityProcessor =
    new TensorProcessor.Builder().add(new DequantizeOp(0, 1/255.0)).build();
TensorBuffer dequantizedBuffer = probabilityProcessor.process(probabilityBuffer);

I parametri di quantizzazione di un tensore possono essere letti tramite la libreria di estrazione dei metadati.