memulai cepat iOS

Untuk memulai TensorFlow Lite di iOS, sebaiknya pelajari contoh berikut:

Contoh klasifikasi gambar iOS

Untuk penjelasan kode sumbernya, Anda juga harus membaca klasifikasi gambar TensorFlow Lite iOS .

Contoh aplikasi ini menggunakan klasifikasi gambar untuk terus mengklasifikasikan apa pun yang dilihatnya dari kamera belakang perangkat, sehingga menampilkan klasifikasi teratas yang paling mungkin. Hal ini memungkinkan pengguna untuk memilih antara model floating point atau model terkuantisasi dan memilih jumlah thread untuk melakukan inferensi.

Tambahkan TensorFlow Lite ke proyek Swift atau Objective-C Anda

TensorFlow Lite menawarkan perpustakaan iOS asli yang ditulis dalam Swift dan Objective-C . Mulailah menulis kode iOS Anda sendiri menggunakan contoh klasifikasi gambar Swift sebagai titik awal.

Bagian di bawah ini menunjukkan cara menambahkan TensorFlow Lite Swift atau Objective-C ke proyek Anda:

Pengembang CocoaPods

Di Podfile Anda, tambahkan pod TensorFlow Lite. Kemudian jalankan pod install .

Cepat

use_frameworks!
pod 'TensorFlowLiteSwift'

Tujuan-C

pod 'TensorFlowLiteObjC'

Menentukan versi

Ada rilis stabil dan rilis malam yang tersedia untuk pod TensorFlowLiteSwift dan TensorFlowLiteObjC . Jika Anda tidak menentukan batasan versi seperti pada contoh di atas, CocoaPods akan menarik rilis stabil terbaru secara default.

Anda juga dapat menentukan batasan versi. Misalnya, jika Anda ingin bergantung pada versi 2.10.0, Anda dapat menulis ketergantungannya sebagai:

pod 'TensorFlowLiteSwift', '~> 2.10.0'

Hal ini akan memastikan pod TensorFlowLiteSwift versi 2.xy terbaru yang tersedia digunakan di aplikasi Anda. Alternatifnya, jika Anda ingin bergantung pada nightly build, Anda dapat menulis:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly'

Mulai versi 2.4.0 dan rilis malam terbaru, secara default delegasi GPU dan Core ML dikecualikan dari pod untuk mengurangi ukuran biner. Anda dapat memasukkannya dengan menentukan subspesifikasi:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['CoreML', 'Metal']

Ini memungkinkan Anda menggunakan fitur terbaru yang ditambahkan ke TensorFlow Lite. Perhatikan bahwa setelah file Podfile.lock dibuat saat Anda menjalankan perintah pod install untuk pertama kalinya, versi perpustakaan malam akan dikunci pada versi tanggal saat ini. Jika Anda ingin memperbarui perpustakaan malam ke yang lebih baru, Anda harus menjalankan perintah pod update .

Untuk informasi lebih lanjut mengenai berbagai cara menentukan batasan versi, lihat Menentukan versi pod .

Pengembang Bazel

Di file BUILD Anda, tambahkan dependensi TensorFlowLite ke target Anda.

Cepat

swift_library(
  deps = [
      "//tensorflow/lite/swift:TensorFlowLite",
  ],
)

Tujuan-C

objc_library(
  deps = [
      "//tensorflow/lite/objc:TensorFlowLite",
  ],
)

API C/C++

Alternatifnya, Anda dapat menggunakan C API atau C++ API

# Using C API directly
objc_library(
  deps = [
      "//tensorflow/lite/c:c_api",
  ],
)

# Using C++ API directly
objc_library(
  deps = [
      "//tensorflow/lite:framework",
  ],
)

Impor perpustakaan

Untuk file Swift, impor modul TensorFlow Lite:

import TensorFlowLite

Untuk file Objective-C, impor header payung:

#import "TFLTensorFlowLite.h"

Atau, modul jika Anda menyetel CLANG_ENABLE_MODULES = YES di proyek Xcode Anda:

@import TFLTensorFlowLite;