Introducing LiteRT: El entorno de ejecución de alto rendimiento de Google para la IA integrada en el dispositivo, antes conocido como TensorFlow Lite.

Se usó la API de Cloud Translation para traducir esta página.

Guía de clasificación de texto para Android

La tarea MediaPipe Text Classifier te permite clasificar texto en un conjunto de categorías definidas, como opiniones positivas o negativas. Las categorías se determinan según el modelo que usas y cómo se entrenó ese modelo. Estas instrucciones te muestran cómo usar el clasificador de texto con apps para Android.

Para ver esta tarea en acción, consulta el demostración. Para obtener más información sobre las funciones, los modelos y de configuración de esta tarea, consulta la Descripción general.

Ejemplo de código

El código de ejemplo para el clasificador de texto proporciona una implementación simple de este a modo de referencia. Este código te ayudará a probar esta tarea y comenzar con compilando tu propia app de clasificación de texto. Puedes explorar Código de ejemplo del clasificador de texto en GitHub.

Descarga el código

En las siguientes instrucciones, se muestra cómo crear una copia local del ejemplo usando la herramienta de línea de comandos de control de versión git.

Para descargar el código de ejemplo, haz lo siguiente:

Clona el repositorio de Git con el siguiente comando:

git clone https://github.com/google-ai-edge/mediapipe-samples

De forma opcional, configura tu instancia de Git para que use el resultado escaso. Solo tienes los archivos de la app de ejemplo del clasificador de texto:
```
cd mediapipe
git sparse-checkout init --cone
git sparse-checkout set examples/text_classification/android
```

Si deseas obtener instrucciones para configurar y ejecutar un ejemplo con Android Studio, consulta las instrucciones de configuración de código de ejemplo en la Guía de configuración para Android

Componentes clave

Los siguientes archivos contienen el código crucial para la clasificación de texto App de ejemplo:

TextClassifierHelper.kt: Inicializa el clasificador de texto y controla la selección del modelo.
MainActivity.kt: Implementa la aplicación, lo que incluye llamar a TextClassifierHelper y ResultsAdapter
ResultsAdapter.kt: Maneja y formatea los resultados.

Configuración

En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y proyectos de código específicamente para usar el clasificador de texto. Para obtener información general configurar tu entorno de desarrollo para usar tareas de MediaPipe, incluidas de la versión de la plataforma, consulta la Guía de configuración para Android.

Dependencias

El clasificador de texto usa las bibliotecas com.google.mediapipe:tasks-text. Agregar dependencia al archivo build.gradle de tu proyecto de desarrollo de apps para Android. Puedes importar las dependencias necesarias con el siguiente código:

dependencies {
    implementation 'com.google.mediapipe:tasks-text:latest.release'
}

Modelo

La tarea del clasificador de texto MediaPipe requiere un modelo entrenado que sea compatible con esta tarea. Si deseas obtener más información sobre los modelos entrenados disponibles para el clasificador de texto, consulta la sección Modelos de la descripción general de la tarea.

Selecciona y descarga un modelo y, luego, almacénalo en tu proyecto assets directorio:

<dev-project-root>/src/main/assets

Usa el método BaseOptions.Builder.setModelAssetPath() para especificar la ruta de acceso. del modelo que se usará. Para ver un ejemplo de código, consulta la siguiente sección.

Crea la tarea

Usa una de las funciones TextClassifier.createFrom...() del clasificador de texto para lo siguiente: preparan la tarea para ejecutar inferencias. Puedes usar el createFromFile() con una ruta de acceso absoluta o relativa al archivo de modelo entrenado. El código en el siguiente ejemplo se demuestra el uso de TextClassifier.createFromOptions() . Para obtener más información sobre las opciones de configuración disponibles, consulta Opciones de configuración.

En el siguiente código, se muestra cómo compilar y configurar esta tarea.

// no directory path required if model file is in src/main/assets:
String currentModel = "text_classifier_model.tflite";

fun initClassifier() {
    val baseOptionsBuilder = BaseOptions.builder()
        .setModelAssetPath(currentModel)
    try {
        val baseOptions = baseOptionsBuilder.build()
        val optionsBuilder = TextClassifier.TextClassifierOptions.builder()
            .setBaseOptions(baseOptions)
        val options = optionsBuilder.build()
        textClassifier = TextClassifier.createFromOptions(context, options)
    } catch (e: IllegalStateException) { // exception handling
    }
}

Puedes ver un ejemplo de cómo crear una tarea en el código de ejemplo. TextClassifierHelper función de clase initClassifier().

Opciones de configuración

Esta tarea tiene las siguientes opciones de configuración para apps para Android:

Nombre de la opción	Descripción	Rango de valores	Valor predeterminado
`displayNamesLocale`	Configura el idioma de las etiquetas que se usarán para los nombres visibles que se proporcionan en la metadatos del modelo de la tarea, si están disponibles. El valor predeterminado es `en` para Inglés. Puedes agregar etiquetas localizadas a los metadatos de un modelo personalizado con la API de Metadata Writer de TensorFlow Lite	Código de configuración regional	en
`maxResults`	Establece el número máximo opcional de resultados de la clasificación con puntuación más alta en el resultado. Si < 0, se devolverán todos los resultados disponibles.	Cualquier número positivo	`-1`
`scoreThreshold`	Establece el umbral de puntuación de predicción que anula el que se proporciona en los metadatos del modelo (si los hay). Se rechazarán los resultados por debajo de este valor.	Cualquier número de punto flotante	Sin establecer
`categoryAllowlist`	Establece la lista opcional de nombres de categorías permitidas. Si no está vacío, los resultados de clasificación cuyo nombre de categoría no se encuentre en este conjunto serán filtrado. Se ignoran los nombres de categoría duplicados o desconocidos. Esta opción es mutuamente excluyente con `categoryDenylist` y usa ambos darán como resultado un error.	Cualquier cadena	Sin establecer
`categoryDenylist`	Establece la lista opcional de nombres de categorías que no están permitidos. Si no vacío, los resultados de clasificación cuyo nombre de categoría se encuentre en este conjunto se filtrarán y sale de ella. Se ignoran los nombres de categoría duplicados o desconocidos. Esta opción es mutuamente excluyente con `categoryAllowlist` y usar ambos dará como resultado un error.	Cualquier cadena	Sin establecer

Preparar los datos

El clasificador de texto funciona con datos de texto (String). La tarea maneja la entrada de datos el procesamiento previo, incluida la asignación de token y el procesamiento previo del tensor.

Todo el procesamiento previo se controla dentro de la función classify(). No es necesario para un procesamiento previo adicional del texto de entrada.

String inputText = "The input text to be classified.";

Ejecuta la tarea

El clasificador de texto usa la función TextClassifier.classify() para ejecutarse para hacer inferencias. Usa un subproceso de ejecución separado para ejecutar la clasificación para evitar bloquear el subproceso de interfaz de usuario de Android con tu app.

En el siguiente código, se muestra cómo ejecutar el procesamiento con la tarea con un subproceso de ejecución independiente.

    fun classify(text: String) {
        executor = ScheduledThreadPoolExecutor(1)

        executor.execute {
            val results = textClassifier.classify(text)
            listener.onResult(results)
        }
    }

Puedes ver un ejemplo de cómo ejecutar una tarea en el código de ejemplo. TextClassifierHelper función de clase classify().

Cómo controlar y mostrar resultados

El clasificador de texto genera una TextClassifierResult que contiene la lista. de categorías posibles para el texto de entrada. Las categorías se definen según el el modelo que usas, así que si quieres diferentes categorías, elige un modelo diferente, o volver a entrenar uno existente.

A continuación, se muestra un ejemplo de los datos de salida de esta tarea:

TextClassificationResult:
  Classification #0 (single classification head):
    ClassificationEntry #0:
      Category #0:
        category name: "positive"
        score: 0.8904
        index: 0
      Category #1:
        category name: "negative"
        score: 0.1096
        index: 1

Este resultado se obtuvo mediante la ejecución del clasificador de BERT en el texto de entrada: "an imperfect but overall entertaining mystery"

Puedes consultar un ejemplo de cómo mostrar los resultados en el código de ejemplo. ResultsAdapter y la clase interna ViewHolder.