Panduan klasifikasi teks untuk Android

Tugas Pengklasifikasi Teks MediaPipe memungkinkan Anda mengklasifikasikan teks ke dalam serangkaian kategori yang ditentukan, seperti sentimen positif atau negatif. Kategori ditentukan oleh model yang Anda gunakan dan cara model tersebut dilatih. Petunjuk ini menunjukkan cara menggunakan Pengklasifikasi Teks dengan aplikasi Android.

Anda dapat melihat cara kerja tugas ini dengan melihat demo. Untuk informasi selengkapnya tentang kemampuan, model, dan opsi konfigurasi tugas ini, lihat Ringkasan.

Contoh kode

Kode contoh untuk {i>Text Classifier<i} memberikan implementasi sederhana untuk sebagai referensi Anda. Kode ini membantu Anda menguji tugas ini dan memulai membangun aplikasi klasifikasi teks Anda sendiri. Anda dapat menjelajahi Kode contoh Pengklasifikasi Teks di GitHub.

Mendownload kode

Petunjuk berikut menunjukkan cara membuat salinan lokal dari contoh kode menggunakan alat command line kontrol versi git.

Untuk mendownload kode contoh:

1. Clone repositori git menggunakan perintah berikut:

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

2. Secara opsional, konfigurasikan instance git Anda untuk menggunakan checkout sparse, jadi Anda hanya memiliki file untuk aplikasi contoh Text Classifier:

   cd mediapipe
   git sparse-checkout init --cone
   git sparse-checkout set examples/text_classification/android
   

Untuk petunjuk tentang cara menyiapkan dan menjalankan contoh dengan Android Studio, lihat contoh petunjuk penyiapan kode di Panduan Penyiapan untuk Android.

Komponen utama

File berikut berisi kode penting untuk klasifikasi teks aplikasi contoh:

• TextClassifierHelper.kt - Melakukan inisialisasi pengklasifikasi teks dan menangani pemilihan model.
• MainActivity.kt - Mengimplementasikan aplikasi, termasuk memanggil TextClassifierHelper dan ResultsAdapter.
• ResultsAdapter.kt - Menangani dan memformat hasil.

Penyiapan

Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan mengkodekan proyek secara khusus untuk menggunakan Pengklasifikasi Teks. Untuk informasi umum tentang menyiapkan lingkungan pengembangan untuk menggunakan MediaPipe Tasks, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk Android.

Dependensi

Text Classifier menggunakan library com.google.mediapipe:tasks-text. Tambahkan ini dependensi terhadap file build.gradle project pengembangan aplikasi Android Anda. Anda dapat mengimpor dependensi yang diperlukan dengan kode berikut:

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

Model

Tugas MediaPipe Text Classifier memerlukan model terlatih yang kompatibel dengan tugas Anda. Untuk informasi selengkapnya tentang model terlatih yang tersedia untuk Pengklasifikasi Teks, lihat ringkasan tugas bagian Model.

Pilih dan download model, lalu simpan dalam project Anda assets direktori:

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

Gunakan metode BaseOptions.Builder.setModelAssetPath() untuk menetapkan jalur model yang akan digunakan. Untuk contoh kode, lihat bagian berikutnya.

Membuat tugas

Gunakan salah satu fungsi TextClassifier.createFrom...() Pengklasifikasi Teks untuk mempersiapkan tugas untuk menjalankan inferensi. Anda dapat menggunakan createFromFile() dengan jalur relatif atau absolut ke file model terlatih. Kode contoh di bawah menunjukkan penggunaan TextClassifier.createFromOptions() . Untuk informasi selengkapnya tentang opsi konfigurasi yang tersedia, lihat Opsi konfigurasi.

Kode berikut menunjukkan cara membangun dan mengonfigurasi tugas ini.

// 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
    }
}

Anda dapat melihat contoh cara membuat tugas di contoh kode TextClassifierHelper fungsi class initClassifier().

Opsi konfigurasi

Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Android:

Menyiapkan data

Pengklasifikasi Teks berfungsi dengan data teks (String). Tugas ini menangani input data pra-pemrosesan, termasuk tokenisasi dan pra-pemrosesan tensor.

Semua pra-pemrosesan ditangani dalam fungsi classify(). Tidak perlu untuk pra-pemrosesan tambahan terhadap teks input.

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

Menjalankan tugas

Pengklasifikasi Teks menggunakan fungsi TextClassifier.classify() untuk menjalankan inferensi. Menggunakan thread eksekusi terpisah untuk menjalankan klasifikasi untuk menghindari pemblokiran thread antarmuka pengguna Android dengan aplikasi Anda.

Kode berikut menunjukkan cara menjalankan pemrosesan dengan tugas menggunakan thread eksekusi terpisah.

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

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

Anda dapat melihat contoh cara menjalankan tugas dalam contoh kode TextClassifierHelper fungsi class classify().

Menangani dan menampilkan hasil

Pengklasifikasi Teks menghasilkan TextClassifierResult yang berisi daftar kategori yang memungkinkan untuk teks input. Kategori didefinisikan oleh model yang Anda gunakan. Jika ingin kategori yang berbeda, pilih model yang berbeda, atau melatih kembali yang sudah ada.

Berikut ini contoh data output dari tugas ini:

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

Hasil ini diperoleh dengan menjalankan pengklasifikasi BERT pada teks input: "an imperfect but overall entertaining mystery".

Anda dapat melihat contoh cara menampilkan hasil dalam contoh kode ResultsAdapter dan class dalam ViewHolder.