Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan

Panduan memulai iOS

Untuk memulai TensorFlow Lite di iOS, sebaiknya pelajari 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 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 pustaka iOS asli yang ditulis dalam Swift dan Objective-C . Mulailah menulis kode iOS Anda sendiri menggunakancontoh klasifikasi gambar Swift sebagai titik awal.

Bagian di bawah ini menunjukkan cara menambahkan TensorFlow Lite Swift atau Objective-C ke project 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 yang tersedia dari TensorFlowLiteSwift pod digunakan dalam aplikasi Anda. Atau, jika Anda ingin bergantung pada bangunan 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 dikecualikan 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 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 nightly library akan dikunci pada versi tanggal saat ini. Jika Anda ingin memperbarui pustaka nightly ke yang lebih baru, Anda harus menjalankan perintah pod update .

Untuk informasi lebih lanjut 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

Alternatifnya, Anda bisa 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 umbrella:

#import "TFLTensorFlowLite.h"

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

@import TFLTensorFlowLite;