Mulai cepat iOS, mulai cepat iOS

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

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

Contoh klasifikasi gambar iOS

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

Aplikasi contoh ini menggunakan klasifikasi gambar untuk terus mengklasifikasikan apa pun yang dilihatnya dari kamera belakang perangkat, menampilkan klasifikasi teratas yang paling mungkin. Ini memungkinkan pengguna untuk memilih antara titik mengambang atau model terkuantisasi dan memilih jumlah utas untuk melakukan inferensi.

Tambahkan TensorFlow Lite ke proyek Swift atau Objective-C Anda

TensorFlow Lite menawarkan library 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'

Objective-C

pod 'TensorFlowLiteObjC'

Menentukan versi

Ada rilis stabil, dan rilis malam tersedia untuk 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 2.0.0, Anda dapat menulis dependensi sebagai:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Ini akan memastikan versi 2.xy terbaru dari pod TensorFlowLiteSwift digunakan di aplikasi Anda. Atau, jika Anda ingin bergantung pada build malam, Anda dapat menulis:

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

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

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

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

Untuk informasi selengkapnya tentang 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",
  ],
)

Objective-C

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

C/C++ API

Atau, 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 = [
      "//third_party/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;
,

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

Contoh klasifikasi gambar iOS

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

Aplikasi contoh ini menggunakan klasifikasi gambar untuk terus mengklasifikasikan apa pun yang dilihatnya dari kamera belakang perangkat, menampilkan klasifikasi teratas yang paling mungkin. Ini memungkinkan pengguna untuk memilih antara titik mengambang atau model terkuantisasi dan memilih jumlah utas untuk melakukan inferensi.

Tambahkan TensorFlow Lite ke proyek Swift atau Objective-C Anda

TensorFlow Lite menawarkan library 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'

Objective-C

pod 'TensorFlowLiteObjC'

Menentukan versi

Ada rilis stabil, dan rilis malam tersedia untuk 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 2.0.0, Anda dapat menulis dependensi sebagai:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Ini akan memastikan versi 2.xy terbaru dari pod TensorFlowLiteSwift digunakan di aplikasi Anda. Atau, jika Anda ingin bergantung pada build malam, Anda dapat menulis:

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

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

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

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

Untuk informasi selengkapnya tentang 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",
  ],
)

Objective-C

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

C/C++ API

Atau, 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 = [
      "//third_party/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;