将自定义 TensorFlow Lite 模型与 Flutter 搭配使用

如果您的应用使用自定义 TensorFlow Lite 模型，您可以使用 Firebase ML 部署模型。使用 Firebase 部署模型，您可以缩减应用的初始下载大小，而且无需发布应用的新版本即可更新应用的机器学习模型。此外，借助 Remote Config 和 A/B Testing，您可以为不同的用户组动态提供不同的模型。

TensorFlow Lite 模型

TensorFlow Lite 模型是经过优化，可以在移动设备上高效运行的机器学习模型。如需获取 TensorFlow Lite 模型，请执行以下操作：

使用预构建的模型，例如某个官方 TensorFlow Lite 模型。
将 TensorFlow 模型、Keras 模型或具体功能转换为 TensorFlow Lite。

请注意，在缺少适用于 Dart 的受维护 TensorFlow Lite 库的情况下，您将需要与适用于您的平台的原生 TensorFlow Lite 库集成。此处未记录该集成。

准备工作

安装并初始化适用于 Flutter 的 Firebase SDK（如果您尚未这样做）。
从 Flutter 项目的根目录运行以下命令，以安装机器学习模型下载程序插件：
```
flutter pub add firebase_ml_model_downloader
```
重新构建您的项目：
```
flutter run
```

1. 部署模型

使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署自定义 TensorFlow 模型。请参阅部署和管理自定义模型。

将自定义模型添加到 Firebase 项目后，您可以使用指定的名称在应用中引用该模型。您可以随时部署新的 TensorFlow Lite 模型，并调用 getModel() 来将新模型下载到用户的设备上（见下文）。

2. 将模型下载到设备并初始化一个 TensorFlow Lite 解释器

如需在您的应用中使用 TensorFlow Lite 模型，请先使用模型下载程序将模型的最新版本下载到设备上。然后，使用该模型实例化 TensorFlow Lite 解释器。

如需启动模型下载，请调用模型下载程序的 getModel() 方法，指定您在上传该模型时为其分配的名称、是否总是下载最新模型，以及您希望在什么条件下允许下载。

您可以从以下三种下载方式中进行选择：

下载类型	说明
`localModel`	从设备获取本地模型。如果没有本地模型，则其行为类似于 `latestModel`。如果您不想检查模型更新，请使用此下载类型。例如，您使用 Remote Config 检索模型名称，并始终以新名称上传模型（推荐）。
`localModelUpdateInBackground`	从设备获取本地模型，并在后台开始更新模型。如果没有本地模型，则其行为类似于 `latestModel`。
`latestModel`	获取最新模型。如果本地模型是最新版本，将返回本地模型。否则，下载最新模型。此方式会阻塞进程，直到最新版本下载完毕（不推荐）。请仅在您明确需要最新版本的情况下才使用此方式。

您应该停用与模型相关的功能（例如使界面的一部分变灰或将其隐藏），直到您确认模型已下载。

FirebaseModelDownloader.instance
    .getModel(
        "yourModelName",
        FirebaseModelDownloadType.localModel,
        FirebaseModelDownloadConditions(
          iosAllowsCellularAccess: true,
          iosAllowsBackgroundDownloading: false,
          androidChargingRequired: false,
          androidWifiRequired: false,
          androidDeviceIdleRequired: false,
        )
    )
    .then((customModel) {
      // Download complete. Depending on your app, you could enable the ML
      // feature, or switch from the local model to the remote model, etc.

      // The CustomModel object contains the local path of the model file,
      // which you can use to instantiate a TensorFlow Lite interpreter.
      final localModelPath = customModel.file;

      // ...
    });

许多应用会通过其初始化代码启动下载任务，您也可以在需要使用该模型之前随时启动下载任务。

3. 利用输入数据进行推断

现在，设备上已有模型文件，接下来您可以将其与 TensorFlow Lite 解释器搭配使用来进行推理。在缺少适用于 Dart 的受维护 TensorFlow Lite 库的情况下，您需要与适用于 iOS 和 Android 的原生 TensorFlow Lite 库集成。

附录：模型的安全性

无论您以何种方式在 Firebase ML 中添加自己的 TensorFlow Lite 模型，Firebase ML 都会以标准序列化的 protobuf 格式将这些模型存储到本地存储空间中。

从理论上说，这意味着任何人都可以复制您的模型。但实际上，大多数模型都是针对具体的应用，且通过优化进行了混淆处理，因此，这一风险与竞争对手对您的代码进行反汇编和再利用的风险类似。但无论怎样，在您的应用中使用自定义模型之前，您应该了解这种风险。

将自定义 TensorFlow Lite 模型与 Flutter 搭配使用 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。