Converti Hugging Face Safetensors in MediaPipe Task

Questa guida fornisce istruzioni per convertire i modelli Gemma nel formato Hugging Face Safetensors (.safetensors) nel formato di file delle attività MediaPipe (.task). Questa conversione è essenziale per il deployment di modelli Gemma preaddestrati o ottimizzati per l'inferenza on-device su Android e iOS utilizzando l'API MediaPipe LLM Inference e il runtime LiteRT.

Per creare il Task Bundle richiesto (.task), utilizzerai AI Edge Torch. Questo strumento esporta i modelli PyTorch in modelli LiteRT (.tflite) con più firme, compatibili con l'API MediaPipe LLM Inference e adatti all'esecuzione su backend CPU in applicazioni mobile.

Il file .task finale è un pacchetto autonomo richiesto da MediaPipe, che raggruppa il modello LiteRT, il modello di tokenizzazione e i metadati essenziali. Questo bundle è necessario perché il tokenizer (che converte i prompt di testo in incorporamenti di token per il modello) deve essere incluso nel modello LiteRT per consentire l'inferenza end-to-end.

Ecco una suddivisione passo passo della procedura:

1. Recuperare il modello Gemma

Hai due opzioni per iniziare.

Opzione A. Utilizzare un modello ottimizzato esistente

Se hai preparato un modello Gemma ottimizzato, vai al passaggio successivo.

Opzione B. Scaricare il modello ufficiale ottimizzato per le istruzioni

Se hai bisogno di un modello, puoi scaricare un modello Gemma ottimizzato per le istruzioni da Hugging Face Hub.

Configura gli strumenti necessari:

python -m venv hf
source hf/bin/activate
pip install huggingface_hub[cli]

Scarica il modello:

I modelli su Hugging Face Hub sono identificati da un ID modello, in genere nel formato <organization_or_username>/<model_name>. Ad esempio, per scaricare il modello ufficiale Google Gemma 3 270M ottimizzato per le istruzioni, utilizza:

hf download google/gemma-3-270m-it --local-dir "PATH_TO_HF_MODEL"
#"google/gemma-3-1b-it", etc

2. Converti e quantizza il modello in LiteRT

Configura un ambiente virtuale Python e installa l'ultima release stabile del pacchetto AI Edge Torch:

python -m venv ai-edge-torch
source ai-edge-torch/bin/activate
pip install "ai-edge-torch>=0.6.0"

Utilizza il seguente script per convertire Safetensor nel modello LiteRT.

from ai_edge_torch.generative.examples.gemma3 import gemma3
from ai_edge_torch.generative.utilities import converter
from ai_edge_torch.generative.utilities.export_config import ExportConfig
from ai_edge_torch.generative.layers import kv_cache

pytorch_model = gemma3.build_model_270m("PATH_TO_HF_MODEL")

# If you are using Gemma 3 1B
#pytorch_model = gemma3.build_model_1b("PATH_TO_HF_MODEL")

export_config = ExportConfig()
export_config.kvcache_layout = kv_cache.KV_LAYOUT_TRANSPOSED
export_config.mask_as_input = True

converter.convert_to_tflite(
    pytorch_model,
    output_path="OUTPUT_DIR_PATH",
    output_name_prefix="my-gemma3",
    prefill_seq_len=2048,
    kv_cache_max_len=4096,
    quantize="dynamic_int8",
    export_config=export_config,
)

Tieni presente che questa procedura richiede tempo e dipende dalla velocità di elaborazione del computer. A titolo di riferimento, su una CPU a 8 core del 2025, un modello da 270 milioni di parametri richiede più di 5-10 minuti, mentre un modello da 1 miliardo di parametri può richiedere circa 10-30 minuti.

L'output finale, un modello LiteRT, verrà salvato nel OUTPUT_DIR_PATH specificato.

Ottimizza i seguenti valori in base ai vincoli di memoria e prestazioni del dispositivo di destinazione.

• kv_cache_max_len: definisce la dimensione totale allocata della memoria di lavoro del modello (la cache KV). Questa capacità è un limite rigido e deve essere sufficiente per memorizzare la somma combinata dei token del prompt (il prefill) e di tutti i token generati successivamente (la decodifica).
• prefill_seq_len: specifica il conteggio dei token del prompt di input per la suddivisione in blocchi del precompilamento. Quando elabora il prompt di input utilizzando la suddivisione in blocchi del precompilamento, l'intera sequenza (ad es. 50.000 token) non viene calcolato contemporaneamente, ma viene suddiviso in segmenti gestibili (ad es. blocchi di 2048 token) che vengono caricati in sequenza nella cache per evitare un errore di memoria insufficiente.
• quantize: stringa per gli schemi di quantizzazione selezionati. Di seguito è riportato l'elenco delle ricette di quantizzazione disponibili per Gemma 3.
  • none : nessuna quantizzazione
  • fp16 : pesi FP16, attivazioni FP32 e calcolo in virgola mobile per tutte le operazioni
  • dynamic_int8 : attivazioni FP32, pesi INT8 e calcolo degli interi
  • weight_only_int8 : attivazioni FP32, pesi INT8 e calcolo in virgola mobile

3. Creare un bundle di attività da LiteRT e dal tokenizer

Configura un ambiente virtuale Python e installa il pacchetto Python mediapipe:

python -m venv mediapipe
source mediapipe/bin/activate
pip install mediapipe

Utilizza la libreria genai.bundler per raggruppare il modello:

from mediapipe.tasks.python.genai import bundler
config = bundler.BundleConfig(
    tflite_model="PATH_TO_LITERT_MODEL.tflite",
    tokenizer_model="PATH_TO_HF_MODEL/tokenizer.model",
    start_token="<bos>",
    stop_tokens=["<eos>", "<end_of_turn>"],
    output_filename="PATH_TO_TASK_BUNDLE.task",
    prompt_prefix="<start_of_turn>user\n",
    prompt_suffix="<end_of_turn>\n<start_of_turn>model\n",
)
bundler.create_bundle(config)

La funzione bundler.create_bundle crea un file .task che contiene tutte le informazioni necessarie per eseguire il modello.

4. Inferenza con MediaPipe su Android

Inizializza l'attività con le opzioni di configurazione di base:

// Default values for LLM models
private object LLMConstants {
    const val MODEL_PATH = "PATH_TO_TASK_BUNDLE_ON_YOUR_DEVICE.task"
    const val DEFAULT_MAX_TOKEN = 4096
    const val DEFAULT_TOPK = 64
    const val DEFAULT_TOPP = 0.95f
    const val DEFAULT_TEMPERATURE = 1.0f
}

// Set the configuration options for the LLM Inference task
val taskOptions = LlmInference.LlmInferenceOptions.builder()
    .setModelPath(LLMConstants.MODEL_PATH)
    .setMaxTokens(LLMConstants.DEFAULT_MAX_TOKEN)
    .build()

// Create an instance of the LLM Inference task
llmInference = LlmInference.createFromOptions(context, taskOptions)
llmInferenceSession =
    LlmInferenceSession.createFromOptions(
        llmInference,
        LlmInferenceSession.LlmInferenceSessionOptions.builder()
            .setTopK(LLMConstants.DEFAULT_TOPK)
            .setTopP(LLMConstants.DEFAULT_TOPP)
            .setTemperature(LLMConstants.DEFAULT_TEMPERATURE)
            .build(),
    )

Utilizza il metodo generateResponse() per generare una risposta di testo.

val result = llmInferenceSession.generateResponse(inputPrompt)
logger.atInfo().log("result: $result")

Per trasmettere in streaming la risposta, utilizza il metodo generateResponseAsync().

llmInferenceSession.generateResponseAsync(inputPrompt) { partialResult, done ->
    logger.atInfo().log("partial result: $partialResult")
}

Per saperne di più, consulta la guida all'inferenza LLM per Android.

Passaggi successivi

Crea ed esplora di più con i modelli Gemma:

• Eseguire il deployment di Gemma sui dispositivi mobili
• Perfeziona Gemma per le attività di testo utilizzando Hugging Face Transformers
• Perfeziona Gemma per le attività di visione utilizzando Hugging Face Transformers
• Ottimizzazione completa del modello utilizzando Hugging Face Transformers