TensorFlow Lite सपोर्ट लाइब्रेरी के साथ इनपुट और आउटपुट डेटा प्रोसेस करें

मोबाइल एप्लिकेशन डेवलपर आमतौर पर टाइप की गई वस्तुओं जैसे बिटमैप्स या प्राइमिटिव जैसे पूर्णांक के साथ इंटरैक्ट करते हैं। हालाँकि, ऑन-डिवाइस मशीन लर्निंग मॉडल चलाने वाला टेन्सरफ्लो लाइट इंटरप्रेटर एपीआई बाइटबफ़र के रूप में टेंसर का उपयोग करता है, जिसे डीबग करना और हेरफेर करना मुश्किल हो सकता है। TensorFlow Lite एंड्रॉइड सपोर्ट लाइब्रेरी को TensorFlow Lite मॉडल के इनपुट और आउटपुट को संसाधित करने में मदद करने और TensorFlow Lite दुभाषिया का उपयोग करना आसान बनाने के लिए डिज़ाइन किया गया है।

शुरू करना

ग्रैडल निर्भरता और अन्य सेटिंग्स आयात करें

.tflite मॉडल फ़ाइल को एंड्रॉइड मॉड्यूल की संपत्ति निर्देशिका में कॉपी करें जहां मॉडल चलाया जाएगा। निर्दिष्ट करें कि फ़ाइल को संपीड़ित नहीं किया जाना चाहिए, और मॉड्यूल की build.gradle फ़ाइल में TensorFlow Lite लाइब्रेरी जोड़ें:

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }

}

dependencies {
    // Other dependencies

    // Import tflite dependencies
    implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
    // The GPU delegate library is optional. Depend on it as needed.
    implementation 'org.tensorflow:tensorflow-lite-gpu:0.0.0-nightly-SNAPSHOT'
    implementation 'org.tensorflow:tensorflow-lite-support:0.0.0-nightly-SNAPSHOT'
}

सपोर्ट लाइब्रेरी के विभिन्न संस्करणों के लिए मावेनसेंट्रल में होस्ट की गई टेन्सरफ्लो लाइट सपोर्ट लाइब्रेरी एएआर का अन्वेषण करें।

बुनियादी छवि हेरफेर और रूपांतरण

TensorFlow Lite सपोर्ट लाइब्रेरी में क्रॉप और आकार बदलने जैसी बुनियादी छवि हेरफेर विधियों का एक सूट है। इसका उपयोग करने के लिए, एक ImagePreprocessor बनाएं और आवश्यक संचालन जोड़ें। छवि को TensorFlow Lite दुभाषिया द्वारा आवश्यक टेंसर प्रारूप में परिवर्तित करने के लिए, इनपुट के रूप में उपयोग करने के लिए एक TensorImage बनाएं:

import org.tensorflow.lite.DataType;
import org.tensorflow.lite.support.image.ImageProcessor;
import org.tensorflow.lite.support.image.TensorImage;
import org.tensorflow.lite.support.image.ops.ResizeOp;

// Initialization code
// Create an ImageProcessor with all ops required. For more ops, please
// refer to the ImageProcessor Architecture section in this README.
ImageProcessor imageProcessor =
    new ImageProcessor.Builder()
        .add(new ResizeOp(224, 224, ResizeOp.ResizeMethod.BILINEAR))
        .build();

// Create a TensorImage object. This creates the tensor of the corresponding
// tensor type (uint8 in this case) that the TensorFlow Lite interpreter needs.
TensorImage tensorImage = new TensorImage(DataType.UINT8);

// Analysis code for every frame
// Preprocess the image
tensorImage.load(bitmap);
tensorImage = imageProcessor.process(tensorImage);

टेंसर के DataType मेटाडेटा एक्सट्रैक्टर लाइब्रेरी के साथ-साथ अन्य मॉडल जानकारी के माध्यम से पढ़ा जा सकता है।

बुनियादी ऑडियो डेटा प्रोसेसिंग

TensorFlow Lite सपोर्ट लाइब्रेरी कुछ बुनियादी ऑडियो डेटा प्रोसेसिंग विधियों को शामिल करते हुए एक TensorAudio क्लास को भी परिभाषित करती है। इसका उपयोग अधिकतर AudioRecord के साथ किया जाता है और ऑडियो नमूनों को रिंग बफ़र में कैप्चर करता है।

import android.media.AudioRecord;
import org.tensorflow.lite.support.audio.TensorAudio;

// Create an `AudioRecord` instance.
AudioRecord record = AudioRecord(...)

// Create a `TensorAudio` object from Android AudioFormat.
TensorAudio tensorAudio = new TensorAudio(record.getFormat(), size)

// Load all audio samples available in the AudioRecord without blocking.
tensorAudio.load(record)

// Get the `TensorBuffer` for inference.
TensorBuffer buffer = tensorAudio.getTensorBuffer()

आउटपुट ऑब्जेक्ट बनाएं और मॉडल चलाएं

मॉडल चलाने से पहले, हमें कंटेनर ऑब्जेक्ट बनाने की आवश्यकता है जो परिणाम संग्रहीत करेगा:

import org.tensorflow.lite.DataType;
import org.tensorflow.lite.support.tensorbuffer.TensorBuffer;

// Create a container for the result and specify that this is a quantized model.
// Hence, the 'DataType' is defined as UINT8 (8-bit unsigned integer)
TensorBuffer probabilityBuffer =
    TensorBuffer.createFixedSize(new int[]{1, 1001}, DataType.UINT8);

मॉडल लोड हो रहा है और अनुमान चल रहा है:

import java.nio.MappedByteBuffer;
import org.tensorflow.lite.InterpreterFactory;
import org.tensorflow.lite.InterpreterApi;

// Initialise the model
try{
    MappedByteBuffer tfliteModel
        = FileUtil.loadMappedFile(activity,
            "mobilenet_v1_1.0_224_quant.tflite");
    InterpreterApi tflite = new InterpreterFactory().create(
        tfliteModel, new InterpreterApi.Options());
} catch (IOException e){
    Log.e("tfliteSupport", "Error reading model", e);
}

// Running inference
if(null != tflite) {
    tflite.run(tImage.getBuffer(), probabilityBuffer.getBuffer());
}

परिणाम तक पहुँचना

डेवलपर्स सीधे probabilityBuffer.getFloatArray() के माध्यम से आउटपुट तक पहुंच सकते हैं। यदि मॉडल एक परिमाणित आउटपुट उत्पन्न करता है, तो परिणाम को परिवर्तित करना याद रखें। मोबाइलनेट परिमाणित मॉडल के लिए, डेवलपर को प्रत्येक श्रेणी के लिए 0 (कम से कम संभावना) से 1 (सबसे अधिक संभावना) तक की संभावना प्राप्त करने के लिए प्रत्येक आउटपुट मान को 255 से विभाजित करने की आवश्यकता है।

वैकल्पिक: परिणामों को लेबल पर मैप करना

डेवलपर्स वैकल्पिक रूप से परिणामों को लेबल पर मैप भी कर सकते हैं। सबसे पहले, लेबल वाली टेक्स्ट फ़ाइल को मॉड्यूल की संपत्ति निर्देशिका में कॉपी करें। इसके बाद, निम्न कोड का उपयोग करके लेबल फ़ाइल लोड करें:

import org.tensorflow.lite.support.common.FileUtil;

final String ASSOCIATED_AXIS_LABELS = "labels.txt";
List<String> associatedAxisLabels = null;

try {
    associatedAxisLabels = FileUtil.loadLabels(this, ASSOCIATED_AXIS_LABELS);
} catch (IOException e) {
    Log.e("tfliteSupport", "Error reading label file", e);
}

निम्नलिखित स्निपेट दर्शाता है कि संभावनाओं को श्रेणी लेबल के साथ कैसे जोड़ा जाए:

import java.util.Map;
import org.tensorflow.lite.support.common.TensorProcessor;
import org.tensorflow.lite.support.common.ops.NormalizeOp;
import org.tensorflow.lite.support.label.TensorLabel;

// Post-processor which dequantize the result
TensorProcessor probabilityProcessor =
    new TensorProcessor.Builder().add(new NormalizeOp(0, 255)).build();

if (null != associatedAxisLabels) {
    // Map of labels and their corresponding probability
    TensorLabel labels = new TensorLabel(associatedAxisLabels,
        probabilityProcessor.process(probabilityBuffer));

    // Create a map to access the result based on label
    Map<String, Float> floatMap = labels.getMapWithFloatValue();
}

वर्तमान उपयोग-मामला कवरेज

TensorFlow Lite सपोर्ट लाइब्रेरी के वर्तमान संस्करण में शामिल हैं:

• tflite मॉडल के इनपुट और आउटपुट के रूप में सामान्य डेटा प्रकार (फ्लोट, uint8, चित्र, ऑडियो और इन ऑब्जेक्ट की सरणी)।
• बुनियादी छवि संचालन (छवि काटें, आकार बदलें और घुमाएँ)।
• सामान्यीकरण और परिमाणीकरण
• फ़ाइल यूटिल्स

भविष्य के संस्करण पाठ-संबंधित अनुप्रयोगों के लिए समर्थन में सुधार करेंगे।

इमेजप्रोसेसर आर्किटेक्चर

ImageProcessor के डिज़ाइन ने छवि हेरफेर संचालन को सामने से परिभाषित करने और निर्माण प्रक्रिया के दौरान अनुकूलित करने की अनुमति दी। ImageProcessor वर्तमान में तीन बुनियादी प्रीप्रोसेसिंग ऑपरेशनों का समर्थन करता है, जैसा कि नीचे दिए गए कोड स्निपेट में तीन टिप्पणियों में वर्णित है:

import org.tensorflow.lite.support.common.ops.NormalizeOp;
import org.tensorflow.lite.support.common.ops.QuantizeOp;
import org.tensorflow.lite.support.image.ops.ResizeOp;
import org.tensorflow.lite.support.image.ops.ResizeWithCropOrPadOp;
import org.tensorflow.lite.support.image.ops.Rot90Op;

int width = bitmap.getWidth();
int height = bitmap.getHeight();

int size = height > width ? width : height;

ImageProcessor imageProcessor =
    new ImageProcessor.Builder()
        // Center crop the image to the largest square possible
        .add(new ResizeWithCropOrPadOp(size, size))
        // Resize using Bilinear or Nearest neighbour
        .add(new ResizeOp(224, 224, ResizeOp.ResizeMethod.BILINEAR));
        // Rotation counter-clockwise in 90 degree increments
        .add(new Rot90Op(rotateDegrees / 90))
        .add(new NormalizeOp(127.5, 127.5))
        .add(new QuantizeOp(128.0, 1/128.0))
        .build();

सामान्यीकरण और परिमाणीकरण के बारे में अधिक विवरण यहां देखें।

समर्थन लाइब्रेरी का अंतिम लक्ष्य सभी tf.image परिवर्तनों का समर्थन करना है। इसका मतलब है कि परिवर्तन TensorFlow के समान होगा और कार्यान्वयन ऑपरेटिंग सिस्टम से स्वतंत्र होगा।

कस्टम प्रोसेसर बनाने के लिए डेवलपर्स का भी स्वागत है। इन मामलों में प्रशिक्षण प्रक्रिया के साथ तालमेल बिठाना महत्वपूर्ण है - यानी प्रतिलिपि प्रस्तुत करने योग्यता बढ़ाने के लिए प्रशिक्षण और अनुमान दोनों पर समान प्रीप्रोसेसिंग लागू होनी चाहिए।

परिमाणीकरण

TensorImage या TensorBuffer जैसे इनपुट या आउटपुट ऑब्जेक्ट आरंभ करते समय आपको उनके प्रकार DataType.UINT8 या DataType.FLOAT32 निर्दिष्ट करने की आवश्यकता होती है।

TensorImage tensorImage = new TensorImage(DataType.UINT8);
TensorBuffer probabilityBuffer =
    TensorBuffer.createFixedSize(new int[]{1, 1001}, DataType.UINT8);

TensorProcessor उपयोग इनपुट टेंसर को परिमाणित करने या आउटपुट टेंसर को डीक्वांटाइज़ करने के लिए किया जा सकता है। उदाहरण के लिए, एक परिमाणित आउटपुट TensorBuffer संसाधित करते समय, डेवलपर परिणाम को 0 और 1 के बीच एक फ़्लोटिंग पॉइंट संभावना में डिक्वांटाइज़ करने के लिए DequantizeOp उपयोग कर सकता है:

import org.tensorflow.lite.support.common.TensorProcessor;

// Post-processor which dequantize the result
TensorProcessor probabilityProcessor =
    new TensorProcessor.Builder().add(new DequantizeOp(0, 1/255.0)).build();
TensorBuffer dequantizedBuffer = probabilityProcessor.process(probabilityBuffer);

टेंसर के परिमाणीकरण मापदंडों को मेटाडेटा एक्सट्रैक्टर लाइब्रेरी के माध्यम से पढ़ा जा सकता है।