Szybki start iOS, Szybki start iOS

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Aby rozpocząć korzystanie z TensorFlow Lite na iOS, zalecamy zapoznanie się z następującym przykładem:

Przykład klasyfikacji obrazów iOS

Aby zapoznać się z wyjaśnieniem kodu źródłowego, przeczytaj również klasyfikację obrazu TensorFlow Lite iOS .

Ta przykładowa aplikacja wykorzystuje klasyfikację obrazu do ciągłego klasyfikowania wszystkiego, co widzi z tylnej kamery urządzenia, wyświetlając najbardziej prawdopodobne klasyfikacje. Umożliwia użytkownikowi wybór między modelem zmiennoprzecinkowym lub kwantowym oraz wybór liczby wątków do przeprowadzenia wnioskowania.

Dodaj TensorFlow Lite do swojego projektu Swift lub Objective-C

TensorFlow Lite oferuje natywne biblioteki iOS napisane w Swift i Objective-C . Zacznij pisać własny kod iOS, używając przykładu klasyfikacji obrazów Swift jako punktu wyjścia.

Poniższe sekcje pokazują, jak dodać TensorFlow Lite Swift lub Objective-C do projektu:

Twórcy CocoaPods

W Podfile dodaj pod TensorFlow Lite. Następnie uruchom pod install .

Szybki

use_frameworks!
pod 'TensorFlowLiteSwift'

Cel C

pod 'TensorFlowLiteObjC'

Określanie wersji

Istnieją wydania stabilne i wydania nocne dostępne zarówno dla TensorFlowLiteSwift , jak i TensorFlowLiteObjC . Jeśli nie określisz ograniczenia wersji, jak w powyższych przykładach, CocoaPods domyślnie pobierze najnowszą stabilną wersję.

Możesz także określić ograniczenie wersji. Na przykład, jeśli chcesz polegać na wersji 2.0.0, możesz napisać zależność jako:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Dzięki temu w Twojej aplikacji będzie używana najnowsza dostępna wersja TensorFlowLiteSwift kapsuły TensorFlowLiteSwift. Alternatywnie, jeśli chcesz polegać na nocnych kompilacjach, możesz napisać:

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

Od wersji 2.4.0 i najnowszych wydań nocnych delegaci GPU i Core ML są domyślnie wykluczeni z pod, aby zmniejszyć rozmiar binarny. Możesz je uwzględnić, określając subspec:

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

Umożliwi to korzystanie z najnowszych funkcji dodanych do TensorFlow Lite. Zwróć uwagę, że po utworzeniu pliku Podfile.lock po pierwszym uruchomieniu polecenia pod install , nocna wersja biblioteki zostanie zablokowana na wersji bieżącej daty. Jeśli chcesz zaktualizować bibliotekę nocną do nowszej, powinieneś uruchomić polecenie pod update .

Aby uzyskać więcej informacji na temat różnych sposobów określania ograniczeń wersji, zobacz Określanie wersji pod .

Deweloperzy Bazela

W pliku BUILD dodaj zależność TensorFlowLite do celu.

Szybki

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

Cel C

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

C/C++ API

Alternatywnie możesz użyć C API lub 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",
  ],
)

Zaimportuj bibliotekę

W przypadku plików Swift zaimportuj moduł TensorFlow Lite:

import TensorFlowLite

W przypadku plików Objective-C zaimportuj nagłówek parasola:

#import "TFLTensorFlowLite.h"

Lub moduł, jeśli ustawisz CLANG_ENABLE_MODULES = YES w swoim projekcie Xcode:

@import TFLTensorFlowLite;
,

Aby rozpocząć korzystanie z TensorFlow Lite na iOS, zalecamy zapoznanie się z następującym przykładem:

Przykład klasyfikacji obrazów iOS

Aby zapoznać się z wyjaśnieniem kodu źródłowego, przeczytaj również klasyfikację obrazu TensorFlow Lite iOS .

Ta przykładowa aplikacja wykorzystuje klasyfikację obrazu do ciągłego klasyfikowania wszystkiego, co widzi z tylnej kamery urządzenia, wyświetlając najbardziej prawdopodobne klasyfikacje. Umożliwia użytkownikowi wybór między modelem zmiennoprzecinkowym lub kwantowym oraz wybór liczby wątków do przeprowadzenia wnioskowania.

Dodaj TensorFlow Lite do swojego projektu Swift lub Objective-C

TensorFlow Lite oferuje natywne biblioteki iOS napisane w Swift i Objective-C . Zacznij pisać własny kod iOS, używając przykładu klasyfikacji obrazów Swift jako punktu wyjścia.

Poniższe sekcje pokazują, jak dodać TensorFlow Lite Swift lub Objective-C do projektu:

Twórcy CocoaPods

W Podfile dodaj pod TensorFlow Lite. Następnie uruchom pod install .

Szybki

use_frameworks!
pod 'TensorFlowLiteSwift'

Cel C

pod 'TensorFlowLiteObjC'

Określanie wersji

Istnieją wydania stabilne i wydania nocne dostępne zarówno dla TensorFlowLiteSwift , jak i TensorFlowLiteObjC . Jeśli nie określisz ograniczenia wersji, jak w powyższych przykładach, CocoaPods domyślnie pobierze najnowszą stabilną wersję.

Możesz także określić ograniczenie wersji. Na przykład, jeśli chcesz polegać na wersji 2.0.0, możesz napisać zależność jako:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Dzięki temu w Twojej aplikacji będzie używana najnowsza dostępna wersja TensorFlowLiteSwift kapsuły TensorFlowLiteSwift. Alternatywnie, jeśli chcesz polegać na nocnych kompilacjach, możesz napisać:

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

Od wersji 2.4.0 i najnowszych wydań nocnych delegaci GPU i Core ML są domyślnie wykluczeni z pod, aby zmniejszyć rozmiar binarny. Możesz je uwzględnić, określając subspec:

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

Umożliwi to korzystanie z najnowszych funkcji dodanych do TensorFlow Lite. Zwróć uwagę, że po utworzeniu pliku Podfile.lock po pierwszym uruchomieniu polecenia pod install , nocna wersja biblioteki zostanie zablokowana na wersji bieżącej daty. Jeśli chcesz zaktualizować bibliotekę nocną do nowszej, powinieneś uruchomić polecenie pod update .

Aby uzyskać więcej informacji na temat różnych sposobów określania ograniczeń wersji, zobacz Określanie wersji pod .

Deweloperzy Bazela

W pliku BUILD dodaj zależność TensorFlowLite do celu.

Szybki

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

Cel C

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

C/C++ API

Alternatywnie możesz użyć C API lub 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",
  ],
)

Zaimportuj bibliotekę

W przypadku plików Swift zaimportuj moduł TensorFlow Lite:

import TensorFlowLite

W przypadku plików Objective-C zaimportuj nagłówek parasola:

#import "TFLTensorFlowLite.h"

Lub moduł, jeśli ustawisz CLANG_ENABLE_MODULES = YES w swoim projekcie Xcode:

@import TFLTensorFlowLite;