লিগ্যাসি কাস্টম মডেল API থেকে স্থানান্তর করুন৷

Firebase/MLModelInterpreter লাইব্রেরির 0.20.0 সংস্করণে একটি নতুন getLatestModelFilePath() মেথড যুক্ত করা হয়েছে, যা কাস্টম মডেলের ডিভাইসের অবস্থান খুঁজে বের করে। এই মেথডটি ব্যবহার করে আপনি সরাসরি একটি TensorFlow Lite Interpreter অবজেক্ট ইনস্ট্যানশিয়েট করতে পারেন, যা আপনি Firebase-এর ModelInterpreter র‍্যাপারের পরিবর্তে ব্যবহার করতে পারবেন।

ভবিষ্যতে, এটিই পছন্দনীয় পদ্ধতি। যেহেতু TensorFlow Lite ইন্টারপ্রেটার সংস্করণটি আর Firebase লাইব্রেরি সংস্করণের সাথে সংযুক্ত নয়, তাই আপনি যখন খুশি TensorFlow Lite-এর নতুন সংস্করণে আপগ্রেড করার ক্ষেত্রে আরও বেশি স্বাধীনতা পাবেন, অথবা আরও সহজে কাস্টম TensorFlow Lite বিল্ড ব্যবহার করতে পারবেন।

এই পৃষ্ঠায় দেখানো হয়েছে কীভাবে আপনি ModelInterpreter ব্যবহার করা থেকে TensorFlow Lite Interpreter এ স্থানান্তরিত হতে পারেন।

১. প্রকল্পের নির্ভরতা আপডেট করুন

আপনার প্রোজেক্টের Podfile আপডেট করে তাতে Firebase/MLModelInterpreter লাইব্রেরির 0.20.0 ভার্সন (বা নতুনতর) এবং TensorFlow Lite লাইব্রেরি অন্তর্ভুক্ত করুন:

আগে

সুইফট

pod 'Firebase/MLModelInterpreter', '0.19.0'

উদ্দেশ্য-সি

pod 'Firebase/MLModelInterpreter', '0.19.0'

পরে

সুইফট

pod 'Firebase/MLModelInterpreter', '~> 0.20.0'
pod 'TensorFlowLiteSwift'

উদ্দেশ্য-সি

pod 'Firebase/MLModelInterpreter', '~> 0.20.0'
pod 'TensorFlowLiteObjC'

২. Firebase ModelInterpreter-এর পরিবর্তে একটি TensorFlow Lite ইন্টারপ্রেটার তৈরি করুন।

Firebase ModelInterpreter তৈরি করার পরিবর্তে, getLatestModelFilePath() ব্যবহার করে ডিভাইসে মডেলটির অবস্থান জানুন এবং তা দিয়ে একটি TensorFlow Lite Interpreter তৈরি করুন।

আগে

সুইফট

let remoteModel = CustomRemoteModel(
    name: "your_remote_model"  // The name you assigned in the Firebase console.
)
interpreter = ModelInterpreter.modelInterpreter(remoteModel: remoteModel)

উদ্দেশ্য-সি

// Initialize using the name you assigned in the Firebase console.
FIRCustomRemoteModel *remoteModel =
        [[FIRCustomRemoteModel alloc] initWithName:@"your_remote_model"];
interpreter = [FIRModelInterpreter modelInterpreterForRemoteModel:remoteModel];

পরে

সুইফট

let remoteModel = CustomRemoteModel(
    name: "your_remote_model"  // The name you assigned in the Firebase console.
)
ModelManager.modelManager().getLatestModelFilePath(remoteModel) { (remoteModelPath, error) in
    guard error == nil, let remoteModelPath = remoteModelPath else { return }
    do {
        interpreter = try Interpreter(modelPath: remoteModelPath)
    } catch {
        // Error?
    }
}

উদ্দেশ্য-সি

FIRCustomRemoteModel *remoteModel =
        [[FIRCustomRemoteModel alloc] initWithName:@"your_remote_model"];
[[FIRModelManager modelManager] getLatestModelFilePath:remoteModel
                                            completion:^(NSString * _Nullable filePath,
                                                         NSError * _Nullable error) {
    if (error != nil || filePath == nil) { return; }

    NSError *tfError = nil;
    interpreter = [[TFLInterpreter alloc] initWithModelPath:filePath error:&tfError];
}];

৩. ইনপুট এবং আউটপুট প্রস্তুতি কোড আপডেট করুন

ModelInterpreter ব্যবহার করে, ইন্টারপ্রেটারটি চালানোর সময় একটি ModelInputOutputOptions অবজেক্ট পাস করার মাধ্যমে আপনি মডেলের ইনপুট এবং আউটপুট কাঠামো নির্দিষ্ট করে দেন।

TensorFlow Lite ইন্টারপ্রেটারের ক্ষেত্রে, মডেলের ইনপুট ও আউটপুটের জন্য জায়গা বরাদ্দ করতে allocateTensors() কল করতে হয়, তারপর আপনার ইনপুট ডেটা ইনপুট টেনসরগুলোতে কপি করতে হয়।

উদাহরণস্বরূপ, যদি আপনার মডেলের ইনপুট শেপ [1 224 224 3] float ভ্যালু এবং আউটপুট শেপ [1 1000] float ভ্যালু হয়, তাহলে এই পরিবর্তনগুলি করুন:

আগে

সুইফট

let ioOptions = ModelInputOutputOptions()
do {
    try ioOptions.setInputFormat(
        index: 0,
        type: .float32,
        dimensions: [1, 224, 224, 3]
    )
    try ioOptions.setOutputFormat(
        index: 0,
        type: .float32,
        dimensions: [1, 1000]
    )
} catch let error as NSError {
    print("Failed to set input or output format with error: \(error.localizedDescription)")
}

let inputs = ModelInputs()
do {
    let inputData = Data()
    // Then populate with input data.

    try inputs.addInput(inputData)
} catch let error {
    print("Failed to add input: \(error)")
}

interpreter.run(inputs: inputs, options: ioOptions) { outputs, error in
    guard error == nil, let outputs = outputs else { return }
    // Process outputs
    // ...
}

উদ্দেশ্য-সি

FIRModelInputOutputOptions *ioOptions = [[FIRModelInputOutputOptions alloc] init];
NSError *error;
[ioOptions setInputFormatForIndex:0
                             type:FIRModelElementTypeFloat32
                       dimensions:@[@1, @224, @224, @3]
                            error:&error];
if (error != nil) { return; }
[ioOptions setOutputFormatForIndex:0
                              type:FIRModelElementTypeFloat32
                        dimensions:@[@1, @1000]
                             error:&error];
if (error != nil) { return; }

FIRModelInputs *inputs = [[FIRModelInputs alloc] init];
NSMutableData *inputData = [[NSMutableData alloc] initWithCapacity:0];
// Then populate with input data.

[inputs addInput:inputData error:&error];
if (error != nil) { return; }

[interpreter runWithInputs:inputs
                   options:ioOptions
                completion:^(FIRModelOutputs * _Nullable outputs,
                             NSError * _Nullable error) {
  if (error != nil || outputs == nil) {
    return;
  }
  // Process outputs
  // ...
}];

পরে

সুইফট

do {
    try interpreter.allocateTensors()

    let inputData = Data()
    // Then populate with input data.

    try interpreter.copy(inputData, toInputAt: 0)

    try interpreter.invoke()
} catch let err {
    print(err.localizedDescription)
}

উদ্দেশ্য-সি

NSError *error = nil;

[interpreter allocateTensorsWithError:&error];
if (error != nil) { return; }

TFLTensor *input = [interpreter inputTensorAtIndex:0 error:&error];
if (error != nil) { return; }

NSMutableData *inputData = [[NSMutableData alloc] initWithCapacity:0];
// Then populate with input data.

[input copyData:inputData error:&error];
if (error != nil) { return; }

[interpreter invokeWithError:&error];
if (error != nil) { return; }

৪. আউটপুট হ্যান্ডলিং কোড আপডেট করুন

অবশেষে, ModelOutputs অবজেক্টের output() মেথড দিয়ে মডেলের আউটপুট নেওয়ার পরিবর্তে, ইন্টারপ্রেটার থেকে আউটপুট টেনসরটি নিন এবং এর ডেটাকে আপনার ব্যবহারের সুবিধামতো যেকোনো কাঠামোতে রূপান্তর করুন।

উদাহরণস্বরূপ, আপনি যদি ক্লাসিফিকেশন করেন, তাহলে আপনি নিম্নলিখিত পরিবর্তনগুলির মতো পরিবর্তন করতে পারেন:

আগে

সুইফট

let output = try? outputs.output(index: 0) as? [[NSNumber]]
let probabilities = output?[0]

guard let labelPath = Bundle.main.path(
    forResource: "custom_labels",
    ofType: "txt"
) else { return }
let fileContents = try? String(contentsOfFile: labelPath)
guard let labels = fileContents?.components(separatedBy: "\n") else { return }

for i in 0 ..< labels.count {
    if let probability = probabilities?[i] {
        print("\(labels[i]): \(probability)")
    }
}

উদ্দেশ্য-সি

// Get first and only output of inference with a batch size of 1
NSError *error;
NSArray *probabilites = [outputs outputAtIndex:0 error:&error][0];
if (error != nil) { return; }

NSString *labelPath = [NSBundle.mainBundle pathForResource:@"retrained_labels"
                                                    ofType:@"txt"];
NSString *fileContents = [NSString stringWithContentsOfFile:labelPath
                                                   encoding:NSUTF8StringEncoding
                                                      error:&error];
if (error != nil || fileContents == NULL) { return; }
NSArray<NSString *> *labels = [fileContents componentsSeparatedByString:@"\n"];
for (int i = 0; i < labels.count; i++) {
    NSString *label = labels[i];
    NSNumber *probability = probabilites[i];
    NSLog(@"%@: %f", label, probability.floatValue);
}

পরে

সুইফট

do {
    // After calling interpreter.invoke():
    let output = try interpreter.output(at: 0)
    let probabilities =
            UnsafeMutableBufferPointer<Float32>.allocate(capacity: 1000)
    output.data.copyBytes(to: probabilities)

    guard let labelPath = Bundle.main.path(
        forResource: "custom_labels",
        ofType: "txt"
    ) else { return }
    let fileContents = try? String(contentsOfFile: labelPath)
    guard let labels = fileContents?.components(separatedBy: "\n") else { return }

    for i in labels.indices {
        print("\(labels[i]): \(probabilities[i])")
    }
} catch let err {
    print(err.localizedDescription)
}

উদ্দেশ্য-সি

NSError *error = nil;

TFLTensor *output = [interpreter outputTensorAtIndex:0 error:&error];
if (error != nil) { return; }

NSData *outputData = [output dataWithError:&error];
if (error != nil) { return; }

Float32 probabilities[outputData.length / 4];
[outputData getBytes:&probabilities length:outputData.length];

NSString *labelPath = [NSBundle.mainBundle pathForResource:@"custom_labels"
                                                    ofType:@"txt"];
NSString *fileContents = [NSString stringWithContentsOfFile:labelPath
                                                   encoding:NSUTF8StringEncoding
                                                      error:&error];
if (error != nil || fileContents == nil) { return; }

NSArray<NSString *> *labels = [fileContents componentsSeparatedByString:@"\n"];
for (int i = 0; i < labels.count; i++) {
    NSLog(@"%@: %f", labels[i], probabilities[i]);
}