Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Быстрый запуск iOS

Чтобы начать работу с TensorFlow Lite на iOS, мы рекомендуем изучить следующий пример:

Пример классификации изображений iOS

Для объяснения исходного кода вы также должны прочитать классификацию изображений TensorFlow Lite iOS .

В этом примере приложения используется классификация изображений, чтобы постоянно классифицировать все, что он видит с задней камеры устройства, отображая наиболее вероятные классификации. Это позволяет пользователю выбирать между моделью с плавающей запятой или квантованной моделью и выбирать количество потоков для выполнения логического вывода.

Добавьте TensorFlow Lite в свой проект Swift или Objective-C

TensorFlow Lite предлагает собственные библиотеки iOS, написанные на Swift и Objective-C . Начните писать свой собственный код для iOS, используя в качестве отправной точкипример классификации изображений Swift .

В следующих разделах показано, как добавить в проект TensorFlow Lite Swift или Objective-C:

Разработчики CocoaPods

В свой Podfile добавьте Podfile Lite. Затем запустите pod install .

Быстрый

use_frameworks!
pod 'TensorFlowLiteSwift'

Цель-C

pod 'TensorFlowLiteObjC'

Указание версий

Существуют стабильные выпуски и ночные выпуски для модулей TensorFlowLiteSwift и TensorFlowLiteObjC . Если вы не укажете ограничение версии, как в приведенных выше примерах, CocoaPods по умолчанию получит последнюю стабильную версию.

Вы также можете указать ограничение версии. Например, если вы хотите зависеть от версии 2.0.0, вы можете записать зависимость как:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Это гарантирует , что последняя доступная версия 2.xy из TensorFlowLiteSwift стручка используется в вашем приложении. В качестве альтернативы, если вы хотите зависеть от ночных сборок, вы можете написать:

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

Начиная с версии 2.4.0 и последних ночных выпусков, по умолчанию делегаты GPU и Core ML исключены из модуля, чтобы уменьшить двоичный размер. Вы можете включить их, указав подспецификацию:

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

Это позволит вам использовать новейшие функции, добавленные в TensorFlow Lite. Обратите внимание, что после Podfile.lock файла Podfile.lock при Podfile.lock запуске команды pod install ночная версия библиотеки будет заблокирована с версией на текущую дату. Если вы хотите обновить ночную библиотеку до более новой, вам следует запустить команду pod update .

Дополнительные сведения о различных способах указания ограничений версии см. В разделе Определение версий модуля .

Базель разработчики

В вашем файле BUILD добавьте зависимость TensorFlowLite к вашей цели.

Быстрый

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

Цель-C

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

C / C ++ API

В качестве альтернативы вы можете использовать C API или 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",
  ],
)

Импортировать библиотеку

Для файлов Swift импортируйте модуль TensorFlow Lite:

import TensorFlowLite

Для файлов Objective-C импортируйте заголовок зонтика:

#import "TFLTensorFlowLite.h"

Или модуль, если вы установили CLANG_ENABLE_MODULES = YES в своем проекте Xcode:

@import TFLTensorFlowLite;