Memproses data input dan output dengan TensorFlow Lite Support Library

Pengembang aplikasi seluler biasanya berinteraksi dengan objek yang diketik seperti bitmap atau primitif seperti bilangan bulat. Namun, API penerjemah TensorFlow Lite yang menjalankan model pembelajaran mesin di perangkat menggunakan tensor dalam bentuk ByteBuffer, yang mungkin sulit untuk di-debug dan dimanipulasi. Pustaka Dukungan Android TensorFlow Lite dirancang untuk membantu memproses input dan output model TensorFlow Lite, dan membuat juru bahasa TensorFlow Lite lebih mudah digunakan.

Mulai

Impor ketergantungan Gradle dan pengaturan lainnya

Salin file model .tflite ke direktori aset modul Android tempat model akan dijalankan. Tentukan bahwa file tidak boleh dikompresi, dan tambahkan library TensorFlow Lite ke file build.gradle modul:

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'
}

Jelajahi Pustaka Dukungan TensorFlow Lite AAR yang dihosting di MavenCentral untuk versi Pustaka Dukungan yang berbeda.

Manipulasi dan konversi gambar dasar

Pustaka Dukungan TensorFlow Lite memiliki serangkaian metode manipulasi gambar dasar seperti memotong dan mengubah ukuran. Untuk menggunakannya, buat ImagePreprocessor dan tambahkan operasi yang diperlukan. Untuk mengonversi gambar ke dalam format tensor yang diperlukan oleh penerjemah TensorFlow Lite, buat TensorImage untuk digunakan sebagai input:

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);

DataType tensor dapat dibaca melalui pustaka ekstraktor metadata serta informasi model lainnya.

Pemrosesan data audio dasar

Pustaka Dukungan TensorFlow Lite juga mendefinisikan kelas TensorAudio yang menggabungkan beberapa metode pemrosesan data audio dasar. Ini sebagian besar digunakan bersama dengan AudioRecord dan menangkap sampel audio dalam buffer cincin.

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()

Buat objek keluaran dan jalankan model

Sebelum menjalankan model, kita perlu membuat objek container yang akan menyimpan hasilnya:

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);

Memuat model dan menjalankan inferensi:

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());
}

Mengakses hasil

Pengembang dapat mengakses output secara langsung melalui probabilityBuffer.getFloatArray() . Jika model menghasilkan keluaran terkuantisasi, ingatlah untuk mengubah hasilnya. Untuk model terkuantisasi MobileNet, pengembang perlu membagi setiap nilai keluaran dengan 255 untuk mendapatkan probabilitas mulai dari 0 (paling tidak mungkin) hingga 1 (paling mungkin) untuk setiap kategori.

Opsional: Memetakan hasil ke label

Pengembang juga dapat secara opsional memetakan hasil ke label. Pertama, salin file teks yang berisi label ke dalam direktori aset modul. Selanjutnya, muat file label menggunakan kode berikut:

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);
}

Cuplikan berikut menunjukkan cara mengaitkan probabilitas dengan label kategori:

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();
}

Cakupan kasus penggunaan saat ini

Versi Pustaka Dukungan TensorFlow Lite saat ini mencakup:

• tipe data umum (float, uint8, gambar, audio dan array dari objek ini) sebagai input dan output dari model tflite.
• operasi gambar dasar (pangkas gambar, ubah ukuran, dan putar).
• normalisasi dan kuantisasi
• kegunaan file

Versi mendatang akan meningkatkan dukungan untuk aplikasi terkait teks.

Arsitektur Prosesor Gambar

Desain ImageProcessor memungkinkan operasi manipulasi gambar ditentukan di awal dan dioptimalkan selama proses pembuatan. ImageProcessor saat ini mendukung tiga operasi prapemrosesan dasar, seperti yang dijelaskan dalam tiga komentar dalam cuplikan kode di bawah ini:

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();

Lihat detail lebih lanjut di sini tentang normalisasi dan kuantisasi.

Tujuan akhir dari pustaka dukungan adalah untuk mendukung semua transformasi tf.image . Ini berarti transformasi akan sama dengan TensorFlow dan implementasinya tidak bergantung pada sistem operasi.

Pengembang juga dipersilakan untuk membuat prosesor khusus. Dalam kasus ini, penting untuk diselaraskan dengan proses pelatihan - yaitu pra-pemrosesan yang sama harus diterapkan pada pelatihan dan inferensi untuk meningkatkan reproduktifitas.

kuantisasi

Saat memulai objek input atau output seperti TensorImage atau TensorBuffer Anda perlu menentukan tipenya menjadi DataType.UINT8 atau DataType.FLOAT32 .

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

TensorProcessor dapat digunakan untuk mengkuantisasi tensor input atau mendekuantisasi tensor output. Misalnya, saat memproses keluaran terkuantisasi TensorBuffer , pengembang dapat menggunakan DequantizeOp untuk mendekuantisasi hasil ke probabilitas floating point antara 0 dan 1:

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);

Parameter kuantisasi tensor dapat dibaca melalui pustaka ekstraktor metadata .