Panduan memulai iOS

LiteRT memungkinkan Anda menjalankan model TensorFlow, PyTorch, dan JAX di aplikasi iOS. Sistem LiteRT menyediakan lingkungan eksekusi bawaan dan yang dapat disesuaikan untuk menjalankan model di iOS dengan cepat dan efisien, dengan fleksibilitas tambahan untuk pengelolaan versi dan delegasi opsional seperti coreML dan Metal untuk meningkatkan performa.

Misalnya, aplikasi iOS yang menggunakan LiteRT, lihat repositori contoh LiteRT.

Menambahkan LiteRT ke project Swift atau Objective-C

LiteRT menawarkan library iOS native yang ditulis dalam Swift dan Objective-C.

Bagian di bawah ini menunjukkan cara menambahkan LiteRT Swift atau Objective-C ke project Anda:

Developer CocoaPods

Di Podfile, tambahkan pod LiteRT. Kemudian, jalankan pod install.

Swift

use_frameworks!
pod 'TensorFlowLiteSwift'

Objective-C

pod 'TensorFlowLiteObjC'

Menentukan versi

Ada rilis stabil, dan rilis harian yang tersedia untuk pod TensorFlowLiteSwift dan TensorFlowLiteObjC. Jika Anda tidak menentukan batasan versi seperti pada contoh di atas, CocoaPods akan mengambil rilis stabil terbaru secara default.

Anda juga dapat menentukan batasan versi. Misalnya, jika ingin bergantung pada versi 2.10.0, Anda dapat menulis dependensi sebagai:

pod 'TensorFlowLiteSwift', '~> 2.10.0'

Tindakan ini akan memastikan pod TensorFlowLiteSwift versi 2.x.y terbaru yang tersedia digunakan di aplikasi Anda. Atau, jika Anda ingin bergantung pada build harian, Anda dapat menulis:

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

Dari versi 2.4.0 dan rilis harian terbaru, secara default, GPU dan delegasi Core ML dikecualikan dari pod untuk mengurangi ukuran biner. Anda dapat menyertakannya dengan menentukan subspec:

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

Dengan demikian, Anda dapat menggunakan fitur terbaru yang ditambahkan ke LiteRT. Perhatikan bahwa setelah file Podfile.lock dibuat saat Anda menjalankan perintah pod install untuk pertama kalinya, versi library nightly akan dikunci pada versi tanggal saat ini. Jika ingin mengupdate library nightly ke yang lebih baru, Anda harus menjalankan perintah pod update.

Untuk mengetahui informasi selengkapnya tentang berbagai cara menentukan batasan versi, lihat Menentukan versi pod.

Developer Bazel

Dalam file BUILD, tambahkan dependensi TensorFlowLite ke target Anda.

Swift

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

Objective-C

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

C/C++ API

Atau, Anda dapat menggunakan C API atau C++ API

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

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

Mengimpor library

Untuk file Swift, impor modul LiteRT:

import TensorFlowLite

Untuk file Objective-C, impor header umbrella:

#import "TFLTensorFlowLite.h"

Atau, modul jika Anda menetapkan CLANG_ENABLE_MODULES = YES di project Xcode:

@import TFLTensorFlowLite;