يقدّم الإصدار 22.0.2 من مكتبة firebase-ml-model-interpreter
إصدارًا جديدًا
طريقة getLatestModelFile()
، التي تحصل على الموقع الجغرافي على الجهاز المخصّص
النماذج. يمكنك استخدام هذه الطريقة لإنشاء مثيل TensorFlow Lite مباشرةً.
الكائن Interpreter
، والذي يمكنك استخدامه بدلاً من
برنامج تضمين FirebaseModelInterpreter
.
من الآن فصاعدًا، هذا هو النهج المفضّل. بفضل TensorFlow Lite لم يعد مقترنًا بإصدار مكتبة Firebase، يمكنك لديك مرونة أكبر للترقية إلى إصدارات جديدة من TensorFlow Lite عند أو استخدامه، أو استخدام إصدارات TensorFlow Lite المخصّصة بسهولة أكبر.
توضّح هذه الصفحة كيفية نقل البيانات من استخدام FirebaseModelInterpreter
إلى
TensorFlow Lite Interpreter
.
1- تحديث تبعيات المشروع
قم بتحديث تبعيات مشروعك لتضمين الإصدار 22.0.2 من
مكتبة firebase-ml-model-interpreter
(أو مكتبة أحدث) وtensorflow-lite
المكتبة:
قبل
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.1")
بعد
implementation("com.google.firebase:firebase-ml-model-interpreter:22.0.2")
implementation("org.tensorflow:tensorflow-lite:2.0.0")
2- أنشئ مترجمًا فوريًا لمنصة TensorFlow Lite بدلاً من مترجم FirebaseModelدلي.
بدلاً من إنشاء FirebaseModelInterpreter
، يمكنك الحصول على موقع النموذج على
الجهاز مع getLatestModelFile()
واستخدامه لإنشاء TensorFlow Lite
Interpreter
قبل
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);
بعد
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- تعديل رمز إعداد الإدخال والمخرجات
يمكنك من خلال FirebaseModelInterpreter
تحديد أشكال إدخالات النموذج ومخرجاته.
من خلال تمرير كائن FirebaseModelInputOutputOptions
إلى أداة الترجمة عند
وقمت بتشغيله.
بالنسبة إلى الترجمة الفورية من TensorFlow Lite، عليك تخصيص ByteBuffer
عناصر بدلاً من ذلك.
ذات الحجم المناسب لمدخلات ومخرجات نموذجك.
على سبيل المثال، إذا كان النموذج يحتوي على شكل إدخال لقيم float
، [ 1 224 224 3]
وشكل ناتج من قيم float
[1 1000]، عليك إجراء التغييرات التالية:
قبل
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
// ...
}
});
بعد
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. تعديل رمز معالجة النتائج
وأخيرًا، بدلاً من الحصول على ناتج النموذج باستخدام FirebaseModelOutputs
getOutput()
للكائن، حوِّل إخراج ByteBuffer
إلى أي
الهيكل هو مناسب لحالة استخدامك.
على سبيل المثال، إذا كنت بصدد التصنيف، يمكنك إجراء تغييرات مثل التالي:
قبل
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: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
float[][] output = result.getOutput(0);
float[] probabilities = output[0];
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (float probability : probabilities) {
String label = reader.readLine();
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
بعد
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$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?
}