Gerar interfaces de modelo usando metadados

Com os metadados da LiteRT, os desenvolvedores podem gerar código wrapper para ativar a integração no Android. Para a maioria dos desenvolvedores, interface gráfica da Android Studio ML Model Binding é a mais fáceis de usar. Se você precisar de mais personalização ou estiver usando a linha de comando ferramenta, o LiteRT Codegen também está disponível.

Usar o ML Model Binding do Android Studio

Para modelos LiteRT aprimorados com metadados, os desenvolvedores podem usar o ML Model Binding do Android Studio para configurar automaticamente para o projeto e gerar classes de wrapper com base no modelo metadados. O código wrapper elimina a necessidade de interagir diretamente com ByteBuffer: Em vez disso, os desenvolvedores podem interagir com o modelo LiteRT com objetos tipados, como Bitmap e Rect.

Importar um modelo LiteRT no Android Studio

  1. Clique com o botão direito do mouse no módulo em que você quer usar o modelo TFLite ou clique File, depois New > Other > LiteRT Model

  2. Selecione o local do seu arquivo TFLite. Observe que as ferramentas configure a dependência do módulo por você com a vinculação de modelos de ML e todas as dependências inseridas automaticamente build.gradle.

    Opcional: marque a segunda caixa de seleção para importar a GPU do TensorFlow se você querem usar a aceleração de GPU.

  3. Clique em Finish.

  4. A tela a seguir será exibida após a conclusão da importação. Para começar usando o modelo, selecione Kotlin ou Java, copie e cole o código na Seção Sample Code. Para voltar a esta tela, clique duas vezes o modelo TFLite no diretório ml do Android Studio.

Como acelerar a inferência de modelos

O ML Model Binding oferece aos desenvolvedores uma maneira de acelerar o código usando o uso de delegados e o número de threads.

Etapa 1. Verifique se o arquivo build.gradle do módulo contém o seguinte dependência:

    dependencies {
        ...
        // TFLite GPU delegate 2.3.0 or above is required.
        implementation 'com.google.ai.edge.litert:litert-gpu:2.3.0'
    }

Etapa 2. Detectar se a GPU em execução no dispositivo é compatível com a GPU do TensorFlow delegado, se não for possível executar o modelo usando várias linhas de execução de 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 LiteRT

Para o modelo LiteRT aprimorado com metadados: os desenvolvedores podem usar o gerador de código do wrapper LiteRT do Android para criar código wrapper específico da plataforma. O código wrapper elimina a necessidade de interagir diretamente com ByteBuffer. Em vez disso, os desenvolvedores podem interagir com o TensorFlow Modelo Lite com objetos tipados, como Bitmap e Rect.

A utilidade do gerador de código depende da integridade do Entrada de metadados do modelo LiteRT. Consulte a seção <Codegen usage> nos campos relevantes da metadata_schema.fbs, para saber como a ferramenta Codegen analisa cada campo.

Gerar código do wrapper

Você precisará instalar as seguintes ferramentas no 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 vai estar localizado no diretório de destino. Se você for usando o Google Colab ou outro controle remoto ambiente, talvez seja mais fácil compactar o resultado em um arquivo zip e fazer o download ao 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')

Usando o código gerado

Etapa 1: importar o código gerado

Se necessário, descompacte o código gerado em uma estrutura de diretórios. A raiz o código gerado é considerado SRC_ROOT.

Abra o projeto do Android Studio em que você quer usar a LiteRT e importe o módulo gerado por: E File -> Novo -> Import Module -> selecionar SRC_ROOT

Usando o exemplo acima, o diretório e o módulo importados seriam chamados 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: uso do 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 aos desenvolvedores uma maneira de acelerar o código com o uso de delegados e o número de fios Eles podem ser definidos ao inicializar o objeto de modelo, porque são necessários três parâmetros:

  • Context: contexto da atividade ou 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 assim:

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

Solução de problemas

Se você receber uma mensagem 'java.io.FileNotFoundException: Este arquivo não pode ser aberto como um file descritor de arquivo; provavelmente está compactado" insira as seguintes linhas na seção android do módulo do app que usará o módulo de biblioteca:

aaptOptions {
   noCompress "tflite"
}