如果您的應用程式使用自訂TensorFlow Lite模型，您可以使用 Firebase ML 來部署模型。透過使用 Firebase 部署模型，您可以減少應用程式的初始下載大小並更新套用的 ML 模型，而無需發布應用程式的新版本。而且，透過遠端配置和 A/B 測試，您可以動態地為不同的使用者群組提供不同的模型。
TensorFlow Lite 模型
TensorFlow Lite 模型是經過最佳化以在行動裝置上運行的 ML 模型。若要取得 TensorFlow Lite 模型：
請注意，如果缺少適用於 Dart 的維護 TensorFlow Lite 庫，您將需要與平台的本機 TensorFlow Lite 庫整合。此處未記錄此整合。
在你開始之前
如果您尚未安裝並初始化適用於 Flutter 的 Firebase SDK，請執行此操作。
從 Flutter 專案的根目錄中，執行以下命令來安裝 ML 模型下載器外掛程式：
flutter pub add firebase_ml_model_downloader重建您的專案：
flutter run
1. 部署您的模型
使用 Firebase 控制台或 Firebase 管理 Python 和 Node.js SDK 部署自訂 TensorFlow 模型。請參閱部署和管理自訂模型。
將自訂模型新增至 Firebase 專案後，您可以使用指定的名稱在應用程式中引用該模型。您可以隨時部署新的 TensorFlow Lite 模型，並透過呼叫getModel()將新模型下載到使用者的裝置上（請參閱下文）。
2. 將模型下載到裝置並初始化 TensorFlow Lite 解釋器
若要在應用程式中使用 TensorFlow Lite 模型，請先使用模型下載器將最新版本的模型下載到裝置。然後，使用該模型實例化 TensorFlow Lite 解釋器。
若要開始模型下載，請呼叫模型下載器的getModel()方法，指定上傳模型時為模型指派的名稱、是否要始終下載最新模型以及允許下載的條件。
您可以從三種下載行為中進行選擇：
| 下載類型 | 描述 |
|---|---|
localModel | 從設備取得本地模型。如果沒有可用的本機模型，則其行為類似於latestModel 。如果您對檢查模型更新不感興趣，請使用此下載類型。例如，您使用遠端配置來檢索模型名稱，並且始終以新名稱上傳模型（建議）。 |
localModelUpdateInBackground | 從裝置取得本機模型並開始在背景更新模型。如果沒有可用的本機模型，則其行為類似於latestModel 。 |
latestModel | 取得最新型號。如果本機模型是最新版本，則傳回本機模型。否則，請下載最新型號。此行為將被阻止，直到下載最新版本（不建議）。僅在您明確需要最新版本的情況下才使用此行為。 |
您應該停用與模型相關的功能（例如，灰顯或隱藏部分 UI），直到您確認模型已下載。
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;
// ...
});
許多應用程式在其初始化程式碼中啟動下載任務，但您可以在需要使用模型之前隨時執行此操作。
3. 對輸入資料進行推理
現在您的裝置上已經有了模型文件，您可以將其與 TensorFlow Lite 解釋器一起使用來執行推理。如果沒有針對 Dart 的維護 TensorFlow Lite 庫，您將需要與適用於 iOS 和 Android 的本機 TensorFlow Lite 庫整合。
附錄：模型安全性
無論您如何使 TensorFlow Lite 模型可供 Firebase ML 使用，Firebase ML 都會將它們以標準序列化 protobuf 格式儲存在本機儲存中。
從理論上講，這意味著任何人都可以複製您的模型。然而，在實踐中，大多數模型都是特定於應用程式的，並且因最佳化而變得混亂，因此風險類似於競爭對手反彙編和重複使用您的程式碼。儘管如此，在應用程式中使用自訂模型之前，您應該意識到這種風險。