Krótkie wprowadzenie do systemu iOS

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

Przykład klasyfikacji obrazu w systemie iOS

Aby uzyskać wyjaśnienie kodu źródłowego, należy również przeczytać klasyfikację obrazów TensorFlow Lite iOS .

Ta przykładowa aplikacja wykorzystuje klasyfikację obrazu do ciągłego klasyfikowania wszystkiego, co widzi z tylnego aparatu urządzenia, wyświetlając najwyższe najbardziej prawdopodobne klasyfikacje. Umożliwia użytkownikowi wybór między modelem zmiennoprzecinkowym a kwantowym oraz wybór liczby wątków, na których ma być przeprowadzane wnioskowanie.

Dodaj TensorFlow Lite do swojego projektu Swift lub Objective-C

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

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

Programiści CocoaPods

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

Szybki

use_frameworks!
pod 'TensorFlowLiteSwift'

Cel C

pod 'TensorFlowLiteObjC'

Określanie wersji

Dostępne są wersje 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 również określić ograniczenie wersji. Na przykład, jeśli chcesz polegać na wersji 2.0.0, możesz zapisać zależność jako:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Dzięki temu w Twojej aplikacji będzie używana najnowsza dostępna wersja TensorFlowLiteSwift modułu 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 domyślnie delegaci GPU i Core ML są wykluczeni z kapsuły, aby zmniejszyć rozmiar binarny. Możesz je uwzględnić, określając podgrupę:

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

Umożliwi to korzystanie z najnowszych funkcji dodanych do TensorFlow Lite. Zwróć uwagę, że po Podfile.lock pliku Podfile.lock przy pierwszym uruchomieniu polecenia pod install , wersja nocnej biblioteki zostanie zablokowana w wersji z bieżącą datą. Jeśli chcesz zaktualizować nocną bibliotekę do nowszej, uruchom polecenie pod update .

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

Programiści Bazel

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",
  ],
)

Interfejs API C / C ++

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 parasolki:

#import "TFLTensorFlowLite.h"

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

@import TFLTensorFlowLite;