लेगसी कस्टम मॉडल एपीआई से माइग्रेट करना

firebase-ml-model-interpreter लाइब्रेरी के 22.0.2 वर्शन में, एक नया getLatestModelFile() तरीका पेश किया गया है. यह कस्टम मॉडल के डिवाइस पर मौजूद जगह की जानकारी हासिल करता है. इस तरीके का इस्तेमाल करके, सीधे तौर पर TensorFlow Lite Interpreter ऑब्जेक्ट को इंस्टैंशिएट किया जा सकता है. इसका इस्तेमाल FirebaseModelInterpreter रैपर के बजाय किया जा सकता है.

आने वाले समय में, इस तरीके को प्राथमिकता दी जाएगी. TensorFlow Lite इंटरप्रेटर का वर्शन अब Firebase लाइब्रेरी के वर्शन से नहीं जुड़ा है. इसलिए, आपके पास जब चाहें, TensorFlow Lite के नए वर्शन पर अपग्रेड करने का विकल्प होता है. इसके अलावा, TensorFlow Lite की कस्टम बिल्ड का इस्तेमाल करना भी आसान हो जाता है.

इस पेज पर, FirebaseModelInterpreter से TensorFlow Lite Interpreter पर माइग्रेट करने का तरीका बताया गया है.

1. प्रोजेक्ट डिपेंडेंसी अपडेट करना

अपने प्रोजेक्ट की डिपेंडेंसी को अपडेट करें, ताकि firebase-ml-model-interpreter लाइब्रेरी (या इसके बाद का वर्शन) का 22.0.2 वर्शन और tensorflow-lite लाइब्रेरी शामिल की जा सके:

पहला हिस्सा

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, getLatestModelFile() की मदद से डिवाइस पर मॉडल की जगह की जानकारी पाएं. इसके बाद, इसका इस्तेमाल करके TensorFlow Lite Interpreter बनाएं.

पहला हिस्सा

Kotlin

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

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 तैयार करने वाले कोड को अपडेट करना

FirebaseModelInterpreter की मदद से, मॉडल के इनपुट और आउटपुट शेप तय किए जाते हैं. इसके लिए, FirebaseModelInputOutputOptions ऑब्जेक्ट को इंटरप्रेटर को पास किया जाता है. ऐसा तब किया जाता है, जब मॉडल को चलाया जाता है.

TensorFlow Lite इंटरप्रेटर के लिए, आपको अपने मॉडल के इनपुट और आउटपुट के लिए सही साइज़ वाले ByteBuffer ऑब्जेक्ट असाइन करने होते हैं.

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

पहला हिस्सा

Kotlin

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

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 वाले कोड को अपडेट करना

आखिर में, FirebaseModelOutputs ऑब्जेक्ट के getOutput() तरीके से मॉडल का आउटपुट पाने के बजाय, ByteBuffer आउटपुट को उस स्ट्रक्चर में बदलें जो आपके इस्तेमाल के उदाहरण के लिए सही हो.

उदाहरण के लिए, अगर आपको क्लासिफ़िकेशन करना है, तो शायद आपको इस तरह के बदलाव करने पड़ें:

पहला हिस्सा

Kotlin

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

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?
}