Le délégué LiteRT Core ML permet d'exécuter des modèles LiteRT sur Core ML framework, qui accélère l'inférence de modèle sur les appareils iOS.
Versions et appareils iOS compatibles:
- iOS 12 et versions ultérieures. Dans les anciennes versions d'iOS, le délégué Core ML passer automatiquement au processeur.
- Par défaut, le délégué Core ML ne sera activé que sur les appareils dotés d'un SoC A12 et versions ultérieures (iPhone X et versions ultérieures) à utiliser Neural Engine afin d'accélérer l'inférence. Si vous souhaitez également utiliser le délégué Core ML sur les anciens appareils, consultez bonnes pratiques
Modèles compatibles
Le délégué Core ML est actuellement compatible avec les modèles à virgule flottante (FP32 et FP16).
Essayer le délégué Core ML sur votre propre modèle
Le délégué Core ML est déjà inclus dans la version nocturne de LiteRT
CocoaPods Pour utiliser le délégué Core ML, modifiez votre pod LiteRT afin d'inclure
sous-spéc CoreML
dans votre Podfile
.
target 'YourProjectName'
pod 'TensorFlowLiteSwift/CoreML', '~> 2.4.0' # Or TensorFlowLiteObjC/CoreML
OU
# Particularily useful when you also want to include 'Metal' subspec.
target 'YourProjectName'
pod 'TensorFlowLiteSwift', '~> 2.4.0', :subspecs => ['CoreML']
Swift
let coreMLDelegate = CoreMLDelegate() var interpreter: Interpreter // Core ML delegate will only be created for devices with Neural Engine if coreMLDelegate != nil { interpreter = try Interpreter(modelPath: modelPath, delegates: [coreMLDelegate!]) } else { interpreter = try Interpreter(modelPath: modelPath) }
Objective-C
// Import module when using CocoaPods with module support @import TFLTensorFlowLite; // Or import following headers manually # import "tensorflow/lite/objc/apis/TFLCoreMLDelegate.h" # import "tensorflow/lite/objc/apis/TFLTensorFlowLite.h" // Initialize Core ML delegate TFLCoreMLDelegate* coreMLDelegate = [[TFLCoreMLDelegate alloc] init]; // Initialize interpreter with model path and Core ML delegate TFLInterpreterOptions* options = [[TFLInterpreterOptions alloc] init]; NSError* error = nil; TFLInterpreter* interpreter = [[TFLInterpreter alloc] initWithModelPath:modelPath options:options delegates:@[ coreMLDelegate ] error:e&rror]; if (error != nil) { /* Error handling... */ } if (![interpreter allocateTensorsWithError:e&rror]) { /* Error handling... */ } if (error != nil) { /* Error handling... */ } // Run inference ...
C (jusqu'à la version 2.3.0)
#include "tensorflow/lite/delegates/coreml/coreml_delegate.h" // Initialize interpreter with model TfLiteModel* model = TfLiteModelCreateFromFile(model_path); // Initialize interpreter with Core ML delegate TfLiteInterpreterOptions* options = TfLiteInterpreterOptionsCreate(); TfLiteDelegate* delegate = TfLiteCoreMlDelegateCreate(NULL); // default config TfLiteInterpreterOptionsAddDelegate(options, delegate); TfLiteInterpreterOptionsDelete(options); TfLiteInterpreter* interpreter = TfLiteInterpreterCreate(model, options); TfLiteInterpreterAllocateTensors(interpreter); // Run inference ... /* ... */ // Dispose resources when it is no longer used. // Add following code to the section where you dispose of the delegate // (e.g. `dealloc` of class). TfLiteInterpreterDelete(interpreter); TfLiteCoreMlDelegateDelete(delegate); TfLiteModelDelete(model);
Bonnes pratiques
Utiliser le délégué Core ML sur des appareils sans moteur neuronal
Par défaut, le délégué Core ML n'est créé que si l'appareil dispose de
Engine, et renvoie null
si le délégué n'est pas créé. Si vous souhaitez
exécuter le délégué Core ML sur d'autres environnements (simulateur, par exemple), puis transmettre .all
comme option lors de la création
d'un délégué dans Swift. Avec C++ (et Objective-C), vous pouvez
transmettre TfLiteCoreMlDelegateAllDevices
. L'exemple suivant montre comment procéder:
Swift
var options = CoreMLDelegate.Options() options.enabledDevices = .all let coreMLDelegate = CoreMLDelegate(options: options)! let interpreter = try Interpreter(modelPath: modelPath, delegates: [coreMLDelegate])
Objective-C
TFLCoreMLDelegateOptions* coreMLOptions = [[TFLCoreMLDelegateOptions alloc] init]; coreMLOptions.enabledDevices = TFLCoreMLDelegateEnabledDevicesAll; TFLCoreMLDelegate* coreMLDelegate = [[TFLCoreMLDelegate alloc] initWithOptions:coreMLOptions]; // Initialize interpreter with delegate
C
TfLiteCoreMlDelegateOptions options; options.enabled_devices = TfLiteCoreMlDelegateAllDevices; TfLiteDelegate* delegate = TfLiteCoreMlDelegateCreate(&options); // Initialize interpreter with delegate
Utilisation d'un délégué de métal(GPU) en remplacement.
Si le délégué Core ML n'est pas créé, vous pouvez toujours utiliser Metal délégué (Délégué) pour obtenir d'amélioration des performances. L'exemple suivant montre comment procéder:
Swift
var delegate = CoreMLDelegate() if delegate == nil { delegate = MetalDelegate() // Add Metal delegate options if necessary. } let interpreter = try Interpreter(modelPath: modelPath, delegates: [delegate!])
Objective-C
TFLDelegate* delegate = [[TFLCoreMLDelegate alloc] init]; if (!delegate) { // Add Metal delegate options if necessary delegate = [[TFLMetalDelegate alloc] init]; } // Initialize interpreter with delegate
C
TfLiteCoreMlDelegateOptions options = {}; delegate = TfLiteCoreMlDelegateCreate(&options); if (delegate == NULL) { // Add Metal delegate options if necessary delegate = TFLGpuDelegateCreate(NULL); } // Initialize interpreter with delegate
La logique de création du délégué lit l'identifiant machine de l'appareil (par exemple, iPhone11,1) à pour déterminer la disponibilité de Neural Engine. Consultez le code pour en savoir plus. Vous pouvez aussi implémenter votre propre liste de blocage appareils utilisant d'autres bibliothèques telles que DeviceKit.
Utiliser une ancienne version de Core ML
Bien qu'iOS 13 soit compatible avec Core ML 3, le modèle peut mieux fonctionner lorsqu'il est
avec la spécification de modèle Core ML 2. La version de conversion cible est
définie par défaut sur la dernière version, mais vous pouvez modifier cela en définissant
coreMLVersion
(en Swift, coreml_version
dans l'API C) dans l'option de délégation pour
l'ancienne version.
Opérations compatibles
Les opérations suivantes sont compatibles avec le délégué Core ML.
- Ajouts
- Seules certaines formes peuvent être diffusées. Dans la mise en page de Tensor Core ML,
les formes de Tensor suivantes peuvent être diffusées.
[B, C, H, W]
,[B, C, 1, 1]
,[B, 1, H, W]
et[B, 1, 1, 1]
.
- Seules certaines formes peuvent être diffusées. Dans la mise en page de Tensor Core ML,
les formes de Tensor suivantes peuvent être diffusées.
- MoyennePool2D
- Concat
<ph type="x-smartling-placeholder">
- </ph>
- La concaténation doit être effectuée le long de l'axe des canaux.
- Conv.2D
<ph type="x-smartling-placeholder">
- </ph>
- Les pondérations et les biais doivent être constants.
- DepthwiseConv2D
<ph type="x-smartling-placeholder">
- </ph>
- Les pondérations et les biais doivent être constants.
- Entièrement connecté (Dense ou InnerProduct)
<ph type="x-smartling-placeholder">
- </ph>
- Les pondérations et les biais (le cas échéant) doivent être constants.
- Compatible uniquement avec les demandes à lot unique. Les dimensions d'entrée doivent être de 1, sauf la dernière dimension.
- Hardswish
- Logistique (ou sigmoïde)
- Pool max. 2D
- MirrorPad
<ph type="x-smartling-placeholder">
- </ph>
- Seule l'entrée 4D en mode
REFLECT
est compatible. La marge intérieure doit être et n'est autorisée que pour les dimensions H et L.
- Seule l'entrée 4D en mode
- UL
<ph type="x-smartling-placeholder">
- </ph>
- Seules certaines formes peuvent être diffusées. Dans la mise en page de Tensor Core ML,
les formes de Tensor suivantes peuvent être diffusées.
[B, C, H, W]
,[B, C, 1, 1]
,[B, 1, H, W]
et[B, 1, 1, 1]
.
- Seules certaines formes peuvent être diffusées. Dans la mise en page de Tensor Core ML,
les formes de Tensor suivantes peuvent être diffusées.
- Pad et PadV2
<ph type="x-smartling-placeholder">
- </ph>
- Seule l'entrée 4D est compatible. La marge intérieure doit être constante et n'être pour les dimensions H et L.
- Relu
- ReluN1To1
- Relu6
- Remodeler
<ph type="x-smartling-placeholder">
- </ph>
- Uniquement disponible lorsque la version cible de Core ML est 2, et non compatible lorsque ciblant Core ML 3.
- ResizeBilinear
- SoftMax
- Tanh
- TransposeConv
<ph type="x-smartling-placeholder">
- </ph>
- Les pondérations doivent être constantes.
Commentaires
En cas de problème, veuillez créer un GitHub en fournissant tous les détails nécessaires à sa reproduction.
Questions fréquentes
- CoreML permet-il d'utiliser le processeur de remplacement si un graphique contient
des opérations ?
- Oui
- Le délégué CoreML fonctionne-t-il sur le simulateur iOS ?
- Oui. La bibliothèque inclut des cibles x86 et x86_64 afin de pouvoir s'exécuter sur un simulateur, mais vous n'observerez pas d'amélioration des performances par rapport au CPU.
- Le délégué LiteRT et CoreML est-il compatible avec macOS ?
- LiteRT n'est testé que sur iOS, mais pas sur macOS.
- Les opérations LiteRT personnalisées sont-elles prises en charge ?
- Non, le délégué Core ML n'est pas compatible avec les opérations personnalisées et elles seront remplacées par CPU