LiteRT di layanan Google Play juga dapat diakses menggunakan Java API, di selain Native API. Secara khusus, LiteRT di Google Play tersedia melalui Layanan Penerjemah LiteRT Google Cloud API.
Menggunakan Interpreter API
LiteRT Interpreter API, yang disediakan oleh runtime TensorFlow, menyediakan antarmuka tujuan umum untuk mem-build 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 LiteRT:
dependencies {
...
// LiteRT dependencies for Google Play services
implementation 'com.google.android.gms:play-services-tflite-java:16.0.1'
// Optional: include LiteRT Support Library
implementation 'com.google.android.gms:play-services-tflite-support:16.0.1'
...
}
2. Menambahkan inisialisasi LiteRT
Lakukan inisialisasi komponen LiteRT dari API layanan Google Play sebelum menggunakan API LiteRT:
Kotlin
val initializeTask: Task<Void> by lazy { TfLite.initialize(this) }
Java
Task<Void> initializeTask = TfLite.initialize(context);
3. Membuat penerjemah dan menetapkan opsi runtime
Membuat penafsir menggunakan InterpreterApi.create()
dan mengonfigurasinya untuk digunakan
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 menghindari pemblokiran Android
thread antarmuka pengguna. 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
Menggunakan objek interpreter
yang Anda buat, panggil metode run()
untuk membuat
sebuah inferensi.
Kotlin
interpreter.run(inputBuffer, outputBuffer)
Java
interpreter.run(inputBuffer, outputBuffer);
Akselerasi hardware
Dengan LiteRT, Anda dapat mempercepat performa model menggunakan prosesor perangkat keras 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 Interpreter API.
Memeriksa kompatibilitas perangkat
Tidak semua perangkat mendukung akselerasi hardware GPU dengan TFLite. Untuk
memitigasi error dan potensi error, menggunakan
Metode TfLiteGpu.isGpuDelegateAvailable
untuk memeriksa apakah perangkat
kompatibel dengan delegasi GPU.
Gunakan metode ini untuk mengonfirmasi apakah perangkat kompatibel dengan GPU, dan gunakan CPU sebagai pengganti saat GPU tidak didukung.
useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context)
Setelah memiliki variabel seperti useGpuTask
, Anda dapat menggunakannya untuk menentukan apakah
perangkat menggunakan delegasi GPU.
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:
Perbarui 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: setel 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 LiteRT mandiri
Jika Anda berencana memigrasikan aplikasi dari LiteRT mandiri ke API layanan Play, tinjau panduan tambahan berikut untuk mengupdate kode project aplikasi Anda:
- Tinjau bagian Batasan di halaman ini untuk memastikan kasus penggunaan Anda didukung.
- Sebelum mengupdate kode, lakukan pemeriksaan performa dan akurasi untuk model Anda, terutama jika Anda menggunakan versi LiteRT yang lebih lama dari versi 2.1, sehingga Anda memiliki dasar pengukuran untuk dibandingkan dengan penerapan baru.
- Jika Anda telah memigrasikan semua kode agar menggunakan Play Services API untuk
LiteRT, Anda harus menghapus runtime LiteRT yang ada
library (entri dengan
org.tensorflow:tensorflow-lite:*
) dari build.gradle Anda sehingga Anda dapat mengurangi ukuran aplikasi. - Identifikasi semua kemunculan pembuatan objek
new Interpreter
dalam kode Anda, dan ubah setiap kemunculan tersebut agar menggunakan panggilan InterpreterApi.create(). TfLite.initialize yang baru bersifat asinkron, yang berarti dalam sebagian besar kasus, ini bukan penggantian langsung: Anda harus mendaftarkan pemroses saat panggilan selesai. Lihat cuplikan kode di kode Langkah 3. - Tambahkan
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 argumen tunggal, tambahkannew InterpreterApi.Options()
ke daftar argumen. - Tambahkan
.setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
ke argumen terakhir semua panggilan keInterpreterApi.create()
. - Ganti semua kemunculan class
org.tensorflow.lite.Interpreter
lainnya denganorg.tensorflow.lite.InterpreterApi
.
Jika Anda ingin menggunakan LiteRT mandiri dan API layanan Play berdampingan, Anda harus menggunakan LiteRT 2.9 (atau yang lebih baru). LiteRT 2.8 dan versi sebelumnya tidak kompatibel dengan versi API layanan Play.