Panduan klasifikasi teks untuk iOS

Tugas Pengklasifikasi Teks memungkinkan Anda mengklasifikasi teks ke dalam serangkaian kategori yang ditentukan, seperti sentimen positif atau negatif. Kategori ditentukan berdasarkan model yang Anda gunakan dan cara model tersebut dilatih. Petunjuk ini menunjukkan cara menggunakan {i>Text Classifier<i} di aplikasi iOS. Contoh kode yang dijelaskan dalam petunjuk tersedia di GitHub.

Anda dapat melihat cara kerja tugas ini dengan membuka Web demo. Sebagai informasi lebih lanjut tentang kemampuan, model, dan opsi konfigurasi dari untuk tugas ini, lihat Ringkasan.

Contoh kode

Kode contoh Tugas MediaPipe adalah implementasi dasar dari Pengklasifikasi Teks untuk iOS.

Anda dapat menggunakan aplikasi ini sebagai titik awal untuk aplikasi iOS Anda sendiri, atau merujuk ke sana saat memodifikasi aplikasi yang ada. Anda dapat melihat kode contoh Pengklasifikasi Teks nyala GitHub.

Mendownload kode

Petunjuk berikut menunjukkan cara membuat salinan lokal dari contoh kode menggunakan alat command line 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, sehingga Anda memiliki hanya file untuk aplikasi contoh Text Classifier:

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

Setelah membuat versi lokal dari kode contoh, Anda dapat menginstal Library tugas MediaPipe, buka project menggunakan Xcode, lalu jalankan aplikasi. Sebagai lihat Panduan Penyiapan untuk iOS.

Komponen utama

File berikut berisi kode penting untuk contoh Pengklasifikasi Teks aplikasi:

• TextClassifierHelper.swift: Melakukan inisialisasi pengklasifikasi teks dan menangani pemilihan model.
• ViewController.swift: Mengimplementasikan UI dan memformat hasilnya.

Penyiapan

Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan kode project untuk menggunakan Text Classifier. Untuk informasi umum tentang penyiapan lingkungan pengembangan untuk menggunakan tugas MediaPipe, termasuk versi platform persyaratan, lihat Panduan penyiapan untuk iOS.

Dependensi

Text Classifier menggunakan library MediaPipeTasksText, yang harus diinstal menggunakan CocoaPods. Library ini kompatibel dengan aplikasi Swift dan Objective-C dan tidak memerlukan penyiapan tambahan khusus bahasa.

Untuk petunjuk menginstal CocoaPods di macOS, lihat CocoaPods panduan pemasangan kami. Untuk mendapatkan petunjuk cara membuat Podfile dengan pod yang diperlukan untuk aplikasi, lihat Menggunakan CocoaPods.

Tambahkan pod MediaPipeTasksText di Podfile menggunakan kode berikut:

target 'MyTextClassifierApp' do
  use_frameworks!
  pod 'MediaPipeTasksText'
end

Jika aplikasi Anda menyertakan target pengujian unit, lihat Panduan Penyiapan untuk iOS untuk informasi tambahan terkait penyiapan Podfile Anda.

Model

Tugas MediaPipe Text Classifier memerlukan model terlatih yang kompatibel dengan tugas ini. Untuk informasi lebih lanjut tentang model terlatih yang tersedia Text Classifier, lihat ringkasan tugas Models bagian.

Pilih dan download model, lalu tambahkan ke direktori project Anda menggunakan Xcode. Untuk instruksi tentang cara menambahkan file ke proyek Xcode Anda, lihat Mengelola dan folder di Xcode Anda project Anda.

Gunakan properti BaseOptions.modelAssetPath untuk menentukan jalur ke model dalam app bundle Anda. Untuk contoh kode, lihat bagian berikutnya.

Membuat tugas

Anda dapat membuat tugas Pengklasifikasi Teks dengan memanggil salah satu penginisialisasinya. Tujuan Penginisialisasi TextClassifier(options:) menetapkan nilai untuk konfigurasi lainnya.

Jika Anda tidak memerlukan Pengklasifikasi Teks yang diinisialisasi dengan konfigurasi yang disesuaikan Anda dapat menggunakan penginisialisasi TextClassifier(modelPath:) untuk membuat Pengklasifikasi Teks dengan opsi default. Untuk informasi selengkapnya tentang konfigurasi opsi, lihat Ringkasan Konfigurasi.

Kode berikut menunjukkan cara membangun dan mengonfigurasi tugas ini.

Swift

import MediaPipeTasksText

let modelPath = Bundle.main.path(forResource: "model",
                                      ofType: "tflite")

let options = TextClassifierOptions()
options.baseOptions.modelAssetPath = modelPath
options.scoreThreshold = 0.6

let textClassifier = try TextClassifier(options: options)

Objective-C

@import MediaPipeTasksText;

NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model"
                                                      ofType:@"tflite"];

MPPTextClassifierOptions *options = [[MPPTextClassifierOptions alloc] init];
options.baseOptions.modelAssetPath = modelPath;
options.scoreThreshold = 0.6;

MPPTextClassifier *textClassifier =
      [[MPPTextClassifier alloc] initWithOptions:options error:nil];

Opsi konfigurasi

Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi iOS:

Menyiapkan data

Text Classifier berfungsi dengan data teks. Tugas ini menangani input data pra-pemrosesan, termasuk tokenisasi dan pra-pemrosesan tensor.

Semua pra-pemrosesan ditangani dalam fungsi classify(text:). Tidak ada perlu pra-pemrosesan tambahan terhadap teks input itu.

Swift

let text = "The input text to be classified."

Objective-C

NSString *text = @"The input text to be classified.";

Menjalankan tugas

Untuk menjalankan Pengklasifikasi Teks, gunakan metode classify(text:). Pengklasifikasi Teks mengembalikan kategori yang memungkinkan untuk teks input.

Swift

let result = try textClassifier.classify(text: text)

Objective-C

MPPTextClassifierResult *result = [textClassifier classifyText:text
                                                          error:nil];

Catatan: Tugas memblokir thread saat ini hingga selesai menjalankan inferensi pada teks. Untuk menghindari pemblokiran thread saat ini, jalankan pemrosesan dalam thread latar belakang menggunakan iOS Dispatch atau NSOperation framework.

Menangani dan menampilkan hasil

Setelah menjalankan inferensi, tugas Pengklasifikasi Teks akan menampilkan TextClassifierResult yang berisi daftar kategori yang memungkinkan untuk teks input. Tujuan kategori ditentukan oleh model yang Anda gunakan, jadi jika Anda ingin kategori, memilih model lain, atau melatih ulang model 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".

Tujuan ViewController.swift dalam kode contoh menunjukkan cara menampilkan hasil deteksi ditampilkan dari tugas.