लेगसी कस्टम मॉडल एपीआई से माइग्रेट करना

firebase-ml-model-interpreter लाइब्रेरी के वर्शन 22.0.2 में, एक नई सुविधा जोड़ी गई है getLatestModelFile() तरीका, जो कस्टम डिवाइस पर जगह की जानकारी हासिल करता है मॉडल. TensorFlow Lite को सीधे तौर पर इंस्टैंशिएट करने के लिए, इस तरीके का इस्तेमाल किया जा सकता है Interpreter ऑब्जेक्ट का इस्तेमाल किया जाता है, जिसका इस्तेमाल इसके बजाय किया जा सकता है FirebaseModelInterpreter रैपर.

आगे से, यही तरीका इस्तेमाल किया जाएगा. क्योंकि TensorFlow Lite अनुवादक वर्शन अब Firebase लाइब्रेरी वर्शन के साथ काम नहीं करता है, तो TensorFlow Lite के नए वर्शन पर अपग्रेड करने के लिए, या आसानी से कस्टम TensorFlow Lite बिल्ड इस्तेमाल करना चाहते हैं.

यह पेज बताता है कि आप FirebaseModelInterpreter का इस्तेमाल करके TensorFlow Lite Interpreter.

1. प्रोजेक्ट डिपेंडेंसी अपडेट करें

अपने प्रोजेक्ट की डिपेंडेंसी अपडेट करें, ताकि इसमें firebase-ml-model-interpreter लाइब्रेरी (या इसके बाद वाली) और tensorflow-lite लाइब्रेरी:

इससे पहले

implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")

इसके बाद

implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")

2. FirebaseModel interpreter के बजाय, TensorFlow Lite का अनुवाद करने वाला टूल बनाएं

FirebaseModelInterpreter बनाने के बजाय, मॉडल की जगह की जानकारी पाएं getLatestModelFile() वाला डिवाइस और इसका इस्तेमाल TensorFlow Lite बनाने के लिए करें Interpreter.

इससे पहले

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);

इसके बाद

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. इनपुट और आउटपुट तैयारी कोड अपडेट करें

FirebaseModelInterpreter की मदद से, मॉडल के इनपुट और आउटपुट के आकार तय किए जाते हैं अनुवादक को FirebaseModelInputOutputOptions ऑब्जेक्ट देते समय आप उसे चलाएं.

TensorFlow Lite अनुवादक के लिए, इसके बजाय आप ByteBuffer ऑब्जेक्ट देते हैं आपके मॉडल के इनपुट और आउटपुट के लिए सही आकार में.

उदाहरण के लिए, अगर आपके मॉडल का इनपुट साइज़ [1 224 224 3] float वैल्यू है और [1 1000] float वैल्यू के आउटपुट शेप में, ये बदलाव करें:

इससे पहले

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
                        // ...
                    }
                });

इसके बाद

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. आउटपुट हैंडलिंग कोड अपडेट करें

आखिर में, FirebaseModelOutputs की मदद से मॉडल का आउटपुट पाने के बजाय ऑब्जेक्ट का getOutput() तरीका है, ByteBuffer आउटपुट को किसी भी ऑब्जेक्ट में बदलें स्ट्रक्चर आपके इस्तेमाल के उदाहरण के लिए सुविधाजनक है.

उदाहरण के लिए, यदि आप वर्गीकरण कर रहे हैं, तो आप फ़ॉलो किया जा रहा है:

इससे पहले

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?
}

इसके बाद

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?
}