Traiter des données d'entrée et de sortie avec la bibliothèque Support TensorFlow Lite

Les développeurs d'applications mobiles interagissent généralement avec des objets typés tels que des bitmaps ou des primitives telles que des entiers. Cependant, l'API interpréteur TensorFlow Lite qui exécute le modèle de machine learning sur l'appareil utilise des Tensors sous la forme de ByteBuffer, qui peuvent être difficiles à déboguer et à manipuler. La bibliothèque TensorFlow Lite Android Support est conçue pour faciliter le traitement de l'entrée et de la sortie des modèles TensorFlow Lite, et pour faciliter l'utilisation de l'interpréteur TensorFlow Lite.

Premiers pas

Importer la dépendance Gradle et d'autres paramètres

Copiez le fichier de modèle .tflite dans le répertoire d'éléments du module Android où le modèle sera exécuté. Indiquez que le fichier ne doit pas être compressé, puis ajoutez la bibliothèque TensorFlow Lite au fichier build.gradle du module:

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'
}

Explorez l'AAR de la bibliothèque Support TensorFlow Lite hébergée sur MavenCentral pour trouver différentes versions de la bibliothèque Support.

Manipulation et conversion d'images de base

La bibliothèque Support TensorFlow Lite propose une suite de méthodes de manipulation d'images de base, telles que le recadrage et le redimensionnement. Pour l'utiliser, créez un ImagePreprocessor et ajoutez les opérations requises. Pour convertir l'image au format de Tensor requis par l'interpréteur TensorFlow Lite, créez un TensorImage à utiliser comme entrée:

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);

L'DataType d'un Tensor peut être lu via la bibliothèque d'extracteurs de métadonnées, ainsi que d'autres informations du modèle.

Traitement de base des données audio

La bibliothèque Support TensorFlow Lite définit également une classe TensorAudio encapsulant certaines méthodes de traitement des données audio de base. Il est principalement utilisé avec AudioRecord et capture des échantillons audio dans un tampon d'anneau.

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()

Créer des objets de sortie et exécuter le modèle

Avant d'exécuter le modèle, nous devons créer les objets conteneur qui stockeront le résultat:

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);

Chargement du modèle et exécution de l'inférence:

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());
}

Accéder au résultat

Les développeurs peuvent accéder à la sortie directement via probabilityBuffer.getFloatArray(). Si le modèle produit une sortie quantifiée, n'oubliez pas de convertir le résultat. Pour le modèle quantifié MobileNet, le développeur doit diviser chaque valeur de sortie par 255 afin d'obtenir une probabilité comprise entre 0 (la moins probable) et 1 (la plus probable) pour chaque catégorie.

Facultatif: mapper les résultats à des libellés

Les développeurs peuvent aussi, s'ils le souhaitent, mapper les résultats à des libellés. Tout d'abord, copiez le fichier texte contenant les étiquettes dans le répertoire d'éléments du module. Ensuite, chargez le fichier d'étiquettes à l'aide du code suivant:

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);
}

L'extrait de code suivant montre comment associer les probabilités à des libellés de catégorie:

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();
}

Couverture du cas d'utilisation actuel

La version actuelle de la bibliothèque Support TensorFlow Lite couvre:

types de données courants (float, uint8, images, audio et tableau de ces objets) en tant qu'entrées et sorties des modèles tflite.
les opérations de base sur l'image (recadrage, redimensionnement et rotation) ;
normalisation et quantification
utilitaires de fichier

Dans les prochaines versions, la prise en charge des applications textuelles sera améliorée.

Architecture d'ImageProcessor

La conception de ImageProcessor a permis de définir à l'avance les opérations de manipulation d'image et de les optimiser pendant le processus de compilation. ImageProcessor est actuellement compatible avec trois opérations de prétraitement de base, comme décrit dans les trois commentaires de l'extrait de code ci-dessous:

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();

Pour en savoir plus sur la normalisation et la quantification, cliquez ici.

L'objectif final de la bibliothèque Support est de prendre en charge toutes les transformations tf.image. Cela signifie que la transformation sera identique à celle de TensorFlow et que l'implémentation sera indépendante du système d'exploitation.

Les développeurs sont également invités à créer des processeurs personnalisés. Dans ce cas, il est important d'être aligné sur le processus d'entraînement, c'est-à-dire que le même prétraitement doit s'appliquer à la fois à l'entraînement et à l'inférence pour améliorer la reproductibilité.

Quantification

Lorsque vous lancez des objets d'entrée ou de sortie tels que TensorImage ou TensorBuffer, vous devez spécifier leur type sur DataType.UINT8 ou DataType.FLOAT32.

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

L'objet TensorProcessor permet de quantifier les Tensors d'entrée ou de déquantifier les Tensors de sortie. Par exemple, lors du traitement d'une sortie quantifiée TensorBuffer, le développeur peut utiliser DequantizeOp pour déquantifier le résultat en une probabilité à virgule flottante comprise entre 0 et 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);

Les paramètres de quantification d'un Tensor peuvent être lus via la bibliothèque d'extracteurs de métadonnées.