firebase-ml-model-interpreter
লাইব্রেরির 22.0.2 সংস্করণ একটি নতুন getLatestModelFile()
পদ্ধতির পরিচয় করিয়ে দেয়, যা কাস্টম মডেলের ডিভাইসে অবস্থান পায়। আপনি এই পদ্ধতিটি সরাসরি একটি টেনসরফ্লো লাইট Interpreter
অবজেক্টকে ইনস্ট্যান্ট করতে ব্যবহার করতে পারেন, যা আপনি FirebaseModelInterpreter
র্যাপারের পরিবর্তে ব্যবহার করতে পারেন।
এগিয়ে যাওয়া, এটি পছন্দসই পদ্ধতির। যেহেতু টেনসরফ্লো লাইট ইন্টারপ্রেটার সংস্করণটি আর ফায়ারবেস লাইব্রেরি সংস্করণটির সাথে মিলিত হয় না, আপনি যখন চান তখন টেনসরফ্লো লাইটের নতুন সংস্করণগুলিতে আপগ্রেড করার জন্য আপনার আরও নমনীয়তা রয়েছে, বা আরও সহজেই কাস্টম টেনসরফ্লো লাইট বিল্ডগুলি ব্যবহার করুন।
এই পৃষ্ঠাটি দেখায় যে আপনি কীভাবে FirebaseModelInterpreter
ব্যবহার থেকে টেনসরফ্লো লাইট Interpreter
স্থানান্তর করতে পারেন।
1. প্রকল্প নির্ভরতা আপডেট করুন
firebase-ml-model-interpreter
লাইব্রেরি (বা নতুন) এবং tensorflow-lite
লাইব্রেরির সংস্করণ 22.0.2 অন্তর্ভুক্ত করতে আপনার প্রকল্পের নির্ভরতা আপডেট করুন:
আগে
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
পরে
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2. Create a TensorFlow Lite interpreter instead of a FirebaseModelInterpreter
FirebaseModelInterpreter
তৈরির পরিবর্তে, getLatestModelFile()
সহ ডিভাইসে মডেলের অবস্থানটি পান এবং এটি একটি টেনসরফ্লো লাইট Interpreter
তৈরি করতে ব্যবহার করুন।
আগে
Kotlin+KTX
val remoteModel = FirebaseCustomRemoteModel.Builder("your_model").build()
val options = FirebaseModelInterpreterOptions.Builder(remoteModel).build()
val interpreter = FirebaseModelInterpreter.getInstance(options)
Java
FirebaseCustomRemoteModel remoteModel =
new FirebaseCustomRemoteModel.Builder("your_model").build();
FirebaseModelInterpreterOptions options =
new FirebaseModelInterpreterOptions.Builder(remoteModel).build();
FirebaseModelInterpreter interpreter = FirebaseModelInterpreter.getInstance(options);
পরে
Kotlin+KTX
val remoteModel = FirebaseCustomRemoteModel.Builder("your_model").build()
FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
.addOnCompleteListener { task ->
val modelFile = task.getResult()
if (modelFile != null) {
// Instantiate an org.tensorflow.lite.Interpreter object.
interpreter = Interpreter(modelFile)
}
}
Java
FirebaseCustomRemoteModel remoteModel =
new FirebaseCustomRemoteModel.Builder("your_model").build();
FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
.addOnCompleteListener(new OnCompleteListener<File>() {
@Override
public void onComplete(@NonNull Task<File> task) {
File modelFile = task.getResult();
if (modelFile != null) {
// Instantiate an org.tensorflow.lite.Interpreter object.
Interpreter interpreter = new Interpreter(modelFile);
}
}
});
3. ইনপুট এবং আউটপুট প্রস্তুতি কোড আপডেট করুন
FirebaseModelInterpreter
সাহায্যে আপনি যখন আপনি এটি চালান তখন দোভাষীর কাছে FirebaseModelInputOutputOptions
অবজেক্টটি পাস করে মডেলটির ইনপুট এবং আউটপুট আকারগুলি নির্দিষ্ট করে।
For the TensorFlow Lite interpreter, you instead allocate ByteBuffer
objects with the right size for your model's input and output.
For example, if your model has an input shape of [1 224 224 3] float
values and an output shape of [1 1000] float
values, make these changes:
আগে
Kotlin+KTX
val inputOutputOptions = FirebaseModelInputOutputOptions.Builder()
.setInputFormat(0, FirebaseModelDataType.FLOAT32, intArrayOf(1, 224, 224, 3))
.setOutputFormat(0, FirebaseModelDataType.FLOAT32, intArrayOf(1, 1000))
.build()
val input = ByteBuffer.allocateDirect(224*224*3*4).order(ByteOrder.nativeOrder())
// Then populate with input data.
val inputs = FirebaseModelInputs.Builder()
.add(input)
.build()
interpreter.run(inputs, inputOutputOptions)
.addOnSuccessListener { outputs ->
// ...
}
.addOnFailureListener {
// Task failed with an exception.
// ...
}
Java
FirebaseModelInputOutputOptions inputOutputOptions =
new FirebaseModelInputOutputOptions.Builder()
.setInputFormat(0, FirebaseModelDataType.FLOAT32, new int[]{1, 224, 224, 3})
.setOutputFormat(0, FirebaseModelDataType.FLOAT32, new int[]{1, 1000})
.build();
float[][][][] input = new float[1][224][224][3];
// Then populate with input data.
FirebaseModelInputs inputs = new FirebaseModelInputs.Builder()
.add(input)
.build();
interpreter.run(inputs, inputOutputOptions)
.addOnSuccessListener(
new OnSuccessListener<FirebaseModelOutputs>() {
@Override
public void onSuccess(FirebaseModelOutputs result) {
// ...
}
})
.addOnFailureListener(
new OnFailureListener() {
@Override
public void onFailure(@NonNull Exception e) {
// Task failed with an exception
// ...
}
});
পরে
Kotlin+KTX
val inBufferSize = 1 * 224 * 224 * 3 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val inputBuffer = ByteBuffer.allocateDirect(inBufferSize).order(ByteOrder.nativeOrder())
// Then populate with input data.
val outBufferSize = 1 * 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val outputBuffer = ByteBuffer.allocateDirect(outBufferSize).order(ByteOrder.nativeOrder())
interpreter.run(inputBuffer, outputBuffer)
Java
int inBufferSize = 1 * 224 * 224 * 3 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer inputBuffer =
ByteBuffer.allocateDirect(inBufferSize).order(ByteOrder.nativeOrder());
// Then populate with input data.
int outBufferSize = 1 * 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer outputBuffer =
ByteBuffer.allocateDirect(outBufferSize).order(ByteOrder.nativeOrder());
interpreter.run(inputBuffer, outputBuffer);
4. আউটপুট হ্যান্ডলিং কোড আপডেট করুন
অবশেষে, FirebaseModelOutputs
অবজেক্টের getOutput()
পদ্ধতির সাথে মডেলের আউটপুট পাওয়ার পরিবর্তে, ByteBuffer
আউটপুটটিকে আপনার ব্যবহারের ক্ষেত্রে যে কোনও কাঠামো সুবিধাজনক তা রূপান্তর করুন।
For example, if you're doing classification, you might make changes like the following:
আগে
Kotlin+KTX
val output = result.getOutput(0)
val probabilities = output[0]
try {
val reader = BufferedReader(InputStreamReader(assets.open("custom_labels.txt")))
for (probability in probabilities) {
val label: String = reader.readLine()
println("$label: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
পরে
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$label: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
modelOutput.rewind();
FloatBuffer probabilities = modelOutput.asFloatBuffer();
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (int i = 0; i < probabilities.capacity(); i++) {
String label = reader.readLine();
float probability = probabilities.get(i);
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}