شروع سریع iOS

این برنامه نمونه از طبقه‌بندی تصویر برای طبقه‌بندی مداوم هر آنچه از دوربین عقب دستگاه می‌بیند استفاده می‌کند و محتمل‌ترین طبقه‌بندی‌ها را نمایش می‌دهد. این به کاربر این امکان را می دهد که بین یک مدل ممیز شناور یا مدل کوانتیزه انتخاب کند و تعداد رشته ها را برای انجام استنتاج انتخاب کند.

LiteRT را به پروژه Swift یا Objective-C خود اضافه کنید

LiteRT کتابخانه های بومی iOS را ارائه می دهد که با Swift و Objective-C نوشته شده اند.

بخش های زیر نحوه اضافه کردن LiteRT Swift یا Objective-C را به پروژه خود نشان می دهد:

توسعه دهندگان CocoaPods

در Podfile خود، LiteRT pod را اضافه کنید. سپس، pod install اجرا کنید.

سویفت

use_frameworks!
pod 'TensorFlowLiteSwift'

هدف-C

pod 'TensorFlowLiteObjC'

مشخص کردن نسخه ها

نسخه‌های پایدار و نسخه‌های شبانه برای هر دو دسته TensorFlowLiteSwift و TensorFlowLiteObjC در دسترس هستند. اگر محدودیت نسخه را مانند مثال های بالا مشخص نکنید، CocoaPods آخرین نسخه پایدار را به طور پیش فرض ارائه می کند.

همچنین می توانید یک محدودیت نسخه را مشخص کنید. به عنوان مثال، اگر می خواهید به نسخه 2.10.0 وابسته باشید، می توانید وابستگی را به صورت زیر بنویسید:

pod 'TensorFlowLiteSwift', '~> 2.10.0'

این اطمینان حاصل می کند که آخرین نسخه موجود 2.xy از TensorFlowLiteSwift pod در برنامه شما استفاده می شود. از طرف دیگر، اگر می‌خواهید به ساخت‌های شبانه وابسته باشید، می‌توانید بنویسید:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly'

از نسخه 2.4.0 و آخرین نسخه های شبانه، به طور پیش فرض نمایندگان GPU و Core ML از پاد حذف می شوند تا اندازه باینری کاهش یابد. شما می توانید آنها را با تعیین subspec اضافه کنید:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['CoreML', 'Metal']

این به شما امکان می دهد از آخرین ویژگی های اضافه شده به LiteRT استفاده کنید. توجه داشته باشید که وقتی برای اولین بار دستور pod install اجرا می‌کنید، فایل Podfile.lock ایجاد می‌شود، نسخه کتابخانه شبانه در نسخه تاریخ فعلی قفل می‌شود. اگر می خواهید کتابخانه شبانه را به جدیدتر به روز کنید، باید دستور pod update اجرا کنید.

برای اطلاعات بیشتر در مورد روش‌های مختلف تعیین محدودیت‌های نسخه، به تعیین نسخه‌های غلاف مراجعه کنید.

توسعه دهندگان Bazel

در فایل BUILD خود، وابستگی TensorFlowLite به هدف خود اضافه کنید.

سویفت

swift_library(
  deps = [
      "//tensorflow/lite/swift:TensorFlowLite",
  ],
)

هدف-C

objc_library(
  deps = [
      "//tensorflow/lite/objc:TensorFlowLite",
  ],
)

C/C++ API

همچنین می توانید از C API یا C++ API استفاده کنید

# Using C API directly
objc_library(
  deps = [
      "//tensorflow/lite/c:c_api",
  ],
)

# Using C++ API directly
objc_library(
  deps = [
      "//tensorflow/lite:framework",
  ],
)

وارد کردن کتابخانه

برای فایل های Swift، ماژول LiteRT را وارد کنید:

import TensorFlowLite

برای فایل‌های Objective-C، هدر چتر را وارد کنید:

#import "TFLTensorFlowLite.h"

یا اگر در پروژه Xcode خود CLANG_ENABLE_MODULES = YES را تنظیم کنید، ماژول:

@import TFLTensorFlowLite;