¡El Día de la Comunidad de ML es el 9 de noviembre! Únase a nosotros para recibir actualizaciones de TensorFlow, JAX, y más Más información

Procesar datos de entrada y salida con la biblioteca de compatibilidad de TensorFlow Lite

Los desarrolladores de aplicaciones móviles suelen interactuar con objetos escritos como mapas de bits o primitivas como números enteros. Sin embargo, el intérprete de TensorFlow Lite que ejecuta el modelo de aprendizaje automático en el dispositivo usa tensores en forma de ByteBuffer, que pueden ser difíciles de depurar y manipular. La biblioteca de compatibilidad de Android de TensorFlow Lite está diseñada para ayudar a procesar la entrada y salida de los modelos de TensorFlow Lite y hacer que el intérprete de TensorFlow Lite sea más fácil de usar.

Empezando

Importar la dependencia de Gradle y otras configuraciones

Copie el archivo de modelo .tflite en el directorio de activos del módulo de Android donde se ejecutará el modelo. Especifica que el archivo no debe comprimirse y agrega la biblioteca TensorFlow Lite al archivo build.gradle del módulo:

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'
}

Explore el AAR de la biblioteca de soporte de TensorFlow Lite alojado en MavenCentral para las diferentes versiones de la biblioteca de soporte.

Conversión y manipulación básica de imágenes

La biblioteca de compatibilidad de TensorFlow Lite tiene un conjunto de métodos básicos de manipulación de imágenes, como recortar y cambiar el tamaño. Para usarlo, cree un ImagePreprocessor y agregue las operaciones necesarias. Para convertir la imagen al formato de tensor requerido por el intérprete de TensorFlow Lite, crea una TensorImage que se usará como entrada:

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 de un tensor se puede leer a través de la biblioteca de extractores de metadatos , así como otra información del modelo.

Procesamiento de datos de audio Baisc

La biblioteca de compatibilidad de TensorFlow Lite también define una clase TensorAudio algunos métodos básicos de procesamiento de datos de audio. Se usa principalmente junto con AudioRecord y captura muestras de audio en un búfer de anillo.

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()

Crea objetos de salida y ejecuta el modelo.

Antes de ejecutar el modelo, necesitamos crear los objetos contenedores que almacenarán el resultado:

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);

Cargando el modelo y ejecutando inferencia:

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());
}

Accediendo al resultado

Los desarrolladores pueden acceder a la salida directamente a través de probabilityBuffer.getFloatArray() . Si el modelo produce una salida cuantificada, recuerde convertir el resultado. Para el modelo cuantificado de MobileNet, el desarrollador debe dividir cada valor de salida por 255 para obtener la probabilidad que va de 0 (menos probable) a 1 (más probable) para cada categoría.

Opcional: asignación de resultados a etiquetas

Los desarrolladores también pueden, opcionalmente, asignar los resultados a las etiquetas. Primero, copie el archivo de texto que contiene las etiquetas en el directorio de activos del módulo. A continuación, cargue el archivo de etiqueta con el siguiente código:

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);
}

El siguiente fragmento muestra cómo asociar las probabilidades con etiquetas de categoría:

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();
}

Cobertura de casos de uso actual

La versión actual de la biblioteca de compatibilidad de TensorFlow Lite cubre:

  • tipos de datos comunes (float, uint8, imágenes, audio y matriz de estos objetos) como entradas y salidas de modelos tflite.
  • operaciones de imagen básicas (recortar imagen, cambiar el tamaño y rotar).
  • normalización y cuantificación
  • utilidades de archivo

Las versiones futuras mejorarán el soporte para aplicaciones relacionadas con texto.

Arquitectura del procesador de imágenes

El diseño del ImageProcessor permitió que las operaciones de manipulación de imágenes se definieran por adelantado y se optimizaran durante el proceso de construcción. ImageProcessor actualmente admite tres operaciones básicas de preprocesamiento:

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();

Vea más detalles aquí sobre normalización y cuantificación.

El objetivo final de la biblioteca de soporte es admitir todas tf.image transformaciones de tf.image . Esto significa que la transformación será la misma que TensorFlow y la implementación será independiente del sistema operativo.

Los desarrolladores también pueden crear procesadores personalizados. En estos casos, es importante estar alineado con el proceso de capacitación, es decir, se debe aplicar el mismo procesamiento previo tanto a la capacitación como a la inferencia para aumentar la reproducibilidad.

Cuantización

Al iniciar objetos de entrada o salida como TensorImage o TensorBuffer , debe especificar que sus tipos sean DataType.UINT8 o DataType.FLOAT32 .

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

El TensorProcessor se puede utilizar para cuantificar tensores de entrada o descuantificar tensores de salida. Por ejemplo, al procesar un TensorBuffer salida cuantificado, el desarrollador puede usar DequantizeOp para descuantificar el resultado a una probabilidad de punto flotante entre 0 y 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);

Los parámetros de cuantificación de un tensor se pueden leer a través de la biblioteca de extractores de metadatos .