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. FirebaseModelInterpreter के बजाय, TensorFlow Lite इंटरप्रेटर 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 इंटरप्रेटर के लिए, अपने मॉडल के इनपुट और आउटपुट के लिए सही साइज़ के ByteBuffer
ऑब्जेक्ट असाइन किए जाते हैं.
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 को हैंडल करने वाला कोड अपडेट करना
आखिर में, FirebaseModelOutputs
की मदद से मॉडल का आउटपुट पाने के बजाय
ऑब्जेक्ट का getOutput()
तरीका है, तो ByteBuffer
आउटपुट को जो भी हो
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?
}