লিগ্যাসি কাস্টম মডেল API থেকে স্থানান্তর করুন৷

firebase-ml-model-interpreter লাইব্রেরির সংস্করণ 22.0.2 একটি নতুন getLatestModelFile() পদ্ধতি প্রবর্তন করে, যা কাস্টম মডেলের ডিভাইসে অবস্থান পায়। আপনি এই পদ্ধতিটি সরাসরি একটি টেনসরফ্লো লাইট Interpreter অবজেক্ট চালু করতে ব্যবহার করতে পারেন, যা আপনি FirebaseModelInterpreter র‍্যাপারের পরিবর্তে ব্যবহার করতে পারেন।

এগিয়ে যাওয়া, এটি পছন্দের পদ্ধতি। যেহেতু টেনসরফ্লো লাইট ইন্টারপ্রেটার সংস্করণটি আর ফায়ারবেস লাইব্রেরি সংস্করণের সাথে মিলিত নয়, আপনি যখন চান তখন টেনসরফ্লো লাইটের নতুন সংস্করণে আপগ্রেড করার জন্য আপনার কাছে আরও নমনীয়তা রয়েছে বা আরও সহজে কাস্টম টেনসরফ্লো লাইট বিল্ডগুলি ব্যবহার করতে পারবেন।

এই পৃষ্ঠাটি দেখায় কিভাবে আপনি FirebaseModelInterpreter ব্যবহার করা থেকে TensorFlow Lite 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. একটি FirebaseModelInterpreter এর পরিবর্তে একটি TensorFlow Lite দোভাষী তৈরি করুন

একটি FirebaseModelInterpreter তৈরি করার পরিবর্তে, getLatestModelFile() দিয়ে ডিভাইসে মডেলের অবস্থান পান এবং একটি টেনসরফ্লো লাইট Interpreter তৈরি করতে এটি 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 এর সাথে, আপনি যখন এটি চালান তখন আপনি একটি FirebaseModelInputOutputOptions অবজেক্টকে ইন্টারপ্রেটারে পাস করে মডেলের ইনপুট এবং আউটপুট আকারগুলি নির্দিষ্ট করেন৷

TensorFlow Lite ইন্টারপ্রেটারের জন্য, আপনি পরিবর্তে আপনার মডেলের ইনপুট এবং আউটপুটের জন্য সঠিক আকারের ByteBuffer অবজেক্টগুলি বরাদ্দ করুন।

উদাহরণস্বরূপ, যদি আপনার মডেলের একটি ইনপুট আকার থাকে [1 224 224 3] float মান এবং একটি আউটপুট আকার [1 1000] float মানগুলির, তাহলে এই পরিবর্তনগুলি করুন:

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 মাধ্যমে মডেলের আউটপুট পাওয়ার পরিবর্তে, আপনার ব্যবহারের ক্ষেত্রে সুবিধাজনক যে কোনো কাঠামোতে ByteBuffer আউটপুট রূপান্তর করুন।

উদাহরণস্বরূপ, আপনি যদি শ্রেণীবিভাগ করছেন, আপনি নিম্নলিখিত মত পরিবর্তন করতে পারেন:

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?
}