احفظ التاريخ! يعود مؤتمر Google I / O من 18 إلى 20 مايو. سجل الآن
ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

معالجة بيانات الإدخال والإخراج باستخدام مكتبة دعم TensorFlow Lite

يتفاعل مطورو تطبيقات الأجهزة المحمولة عادةً مع الكائنات المكتوبة مثل الصور النقطية أو العناصر الأولية مثل الأعداد الصحيحة. ومع ذلك ، فإن المترجم TensorFlow Lite الذي يقوم بتشغيل نموذج التعلم الآلي على الجهاز يستخدم موترات على شكل ByteBuffer ، والتي قد يكون من الصعب تصحيحها ومعالجتها. تم تصميم مكتبة دعم Android TensorFlow Lite للمساعدة في معالجة المدخلات والمخرجات الخاصة بنماذج TensorFlow Lite ، وتسهيل استخدام مترجم TensorFlow Lite.

ابدء

استيراد تبعية Gradle وإعدادات أخرى

انسخ ملف النموذج .tflite إلى دليل الأصول الخاص بوحدة Android حيث سيتم تشغيل النموذج. حدد أنه لا ينبغي ضغط الملف ، وأضف مكتبة TensorFlow Lite إلى ملف build.gradle الخاص build.gradle :

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'
}

استكشف مكتبة دعم TensorFlow Lite AAR المستضافة في JCenter للإصدارات المختلفة من مكتبة الدعم.

معالجة الصور الأساسية وتحويلها

تحتوي مكتبة دعم TensorFlow Lite على مجموعة من طرق معالجة الصور الأساسية مثل الاقتصاص وتغيير الحجم. لاستخدامه ، أنشئ ImagePreprocessor وأضف العمليات المطلوبة. لتحويل الصورة إلى تنسيق الموتر الذي يتطلبه مترجم TensorFlow Lite ، قم بإنشاء TensorImage لاستخدامه كمدخل:

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 tImage = new TensorImage(DataType.UINT8);

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

DataType من موتر يمكن قراءتها من خلال مكتبة exractor الفوقية وكذلك المعلومات نموذج الأخرى.

إنشاء كائنات الإخراج وتشغيل النموذج

قبل تشغيل النموذج ، نحتاج إلى إنشاء كائنات الحاوية التي ستخزن النتيجة:

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);

تحميل النموذج وتشغيل الاستدلال:

import org.tensorflow.lite.support.model.Model;

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

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

الوصول إلى النتيجة

يمكن للمطورين الوصول إلى المخرجات مباشرةً من خلال probabilityBuffer.getFloatArray() . إذا كان النموذج ينتج مخرجات كمية ، تذكر تحويل النتيجة. بالنسبة لنموذج MobileNet الكمي ، يحتاج المطور إلى قسمة كل قيمة ناتجة على 255 للحصول على احتمال يتراوح من 0 (أقل احتمالًا) إلى 1 (على الأرجح) لكل فئة.

اختياري: تعيين النتائج إلى التصنيفات

يمكن للمطورين أيضًا تعيين النتائج بشكل اختياري إلى التصنيفات. أولاً ، انسخ الملف النصي الذي يحتوي على التصنيفات في دليل أصول الوحدة. بعد ذلك ، قم بتحميل ملف التسمية باستخدام الكود التالي:

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);
}

يوضح المقتطف التالي كيفية ربط الاحتمالات بتسميات الفئات:

import org.tensorflow.lite.support.common.TensorProcessor;
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();
}

تغطية حالة الاستخدام الحالية

يغطي الإصدار الحالي من مكتبة دعم TensorFlow Lite:

  • أنواع البيانات الشائعة (float ، uint8 ، الصور ومجموعة من هذه الكائنات) كمدخلات ومخرجات لنماذج tflite.
  • عمليات الصورة الأساسية (اقتصاص الصورة وتغيير حجمها وتدويرها).
  • التطبيع والتكميم
  • أدوات الملفات

ستعمل الإصدارات المستقبلية على تحسين الدعم للتطبيقات المتعلقة بالنص.

هندسة معالج الصور

سمح تصميم ImageProcessor بتحديد عمليات معالجة الصور مقدمًا وتحسينها أثناء عملية ImageProcessor . يدعم ImageProcessor حاليًا ثلاث عمليات معالجة أساسية أساسية:

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();

شاهد المزيد من التفاصيل هنا حول التطبيع والكمية.

الهدف النهائي لمكتبة الدعم هو دعم جميع تحويلات tf.image . هذا يعني أن التحويل سيكون مثل TensorFlow وسيكون التنفيذ مستقلاً عن نظام التشغيل.

المطورين مرحب بهم أيضًا لإنشاء معالجات مخصصة. من المهم في هذه الحالات أن تتماشى مع عملية التدريب - أي يجب أن تنطبق نفس المعالجة المسبقة على كل من التدريب والاستدلال لزيادة قابلية التكاثر.

توضيح

عند بدء كائنات الإدخال أو الإخراج مثل TensorImage أو TensorBuffer يلزمك تحديد أنواعها لتكون DataType.UINT8 أو DataType.FLOAT32 .

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

و TensorProcessor يمكن استخدامها لثبت قيمة التنسورات الإدخال أو dequantize التنسورات الانتاج. على سبيل المثال ، عند معالجة TensorBuffer الناتج TensorBuffer ، يمكن للمطور استخدام DequantizeOp لإزالة النتيجة إلى احتمال النقطة العائمة بين 0 و 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);

يمكن قراءة معلمات تكميم الموتر من خلال مكتبة البيانات الوصفية exractor .