עבד נתוני קלט ופלט עם ספריית התמיכה של TensorFlow Lite

מפתחי יישומים ניידים בדרך כלל מקיימים אינטראקציה עם אובייקטים מוקלדים כגון מפות סיביות או פרימיטיביות כגון מספרים שלמים. עם זאת, ה-API של המתורגמן של TensorFlow Lite המריץ את מודל למידת המכונה במכשיר משתמש בטנזורים בצורה של ByteBuffer, שעלולים להיות קשים לניפוי באגים ולתפעל אותם. ספריית התמיכה של TensorFlow Lite לאנדרואיד נועדה לסייע בעיבוד הקלט והפלט של דגמי TensorFlow Lite, ולהפוך את המתורגמן TensorFlow Lite לקל יותר לשימוש.

מתחילים

ייבא תלות Gradle והגדרות אחרות

העתק את קובץ מודל .tflite לספריית הנכסים של מודול האנדרואיד שבו המודל יופעל. ציין שאין לדחוס את הקובץ, והוסף את ספריית TensorFlow Lite לקובץ build.gradle של המודול:

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'
}

חקור את ספריית התמיכה של TensorFlow Lite AAR המתארחת ב-MavenCentral עבור גרסאות שונות של ספריית התמיכה.

מניפולציה והמרת תמונה בסיסית

ספריית התמיכה של TensorFlow Lite כוללת חבילה של שיטות מניפולציה בסיסיות של תמונות כגון חיתוך ושינוי גודל. כדי להשתמש בו, צור ImagePreprocessor והוסף את הפעולות הנדרשות. כדי להמיר את התמונה לפורמט הטנסור הנדרש על ידי מתורגמן TensorFlow Lite, צור TensorImage שתשמש כקלט:

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);

ניתן לקרוא DataType של טנזור דרך ספריית מחלץ המטא נתונים וכן מידע אחר על המודל.

עיבוד נתוני אודיו בסיסי

ספריית התמיכה של TensorFlow Lite מגדירה גם מחלקה של TensorAudio העוטפת כמה שיטות בסיסיות לעיבוד נתוני אודיו. הוא משמש בעיקר יחד עם AudioRecord ולוכד דגימות אודיו במאגר טבעת.

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()

צור אובייקטי פלט והפעל את המודל

לפני הפעלת המודל, עלינו ליצור את אובייקטי המיכל שיאחסנו את התוצאה:

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);

טעינת הדגם והרצת מסקנות:

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());
}

גישה לתוצאה

מפתחים יכולים לגשת לפלט ישירות דרך probabilityBuffer.getFloatArray() . אם המודל מייצר פלט כמותי, זכור להמיר את התוצאה. עבור המודל המקוונטי של MobileNet, המפתח צריך לחלק כל ערך פלט ב-255 כדי לקבל את ההסתברות הנעה בין 0 (הכי פחות סביר) ל-1 (סביר להניח) עבור כל קטגוריה.

אופציונלי: מיפוי תוצאות לתוויות

מפתחים יכולים גם למפות את התוצאות לתוויות. ראשית, העתק את קובץ הטקסט המכיל תוויות לספריית הנכסים של המודול. לאחר מכן, טען את קובץ התווית באמצעות הקוד הבא:

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);
}

הקטע הבא מדגים כיצד לשייך את ההסתברויות עם תוויות קטגוריות:

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();
}

כיסוי שימוש נוכחי

הגרסה הנוכחית של ספריית התמיכה של TensorFlow Lite מכסה:

• סוגי נתונים נפוצים (float, uint8, תמונות, אודיו ומערך של אובייקטים אלה) ככניסות ויציאות של דגמי tflite.
• פעולות תמונה בסיסיות (חיתוך תמונה, שינוי גודל וסיבוב).
• נורמליזציה וקונטיזציה
• שימושי קבצים

גרסאות עתידיות ישפרו את התמיכה ביישומים הקשורים לטקסט.

ארכיטקטורת ImageProcessor

העיצוב של ה- ImageProcessor אפשר להגדיר את פעולות המניפולציה של התמונה מראש ולבצע אופטימיזציה במהלך תהליך הבנייה. ה- ImageProcessor תומך כרגע בשלוש פעולות עיבוד מקדים בסיסיות, כמתואר בשלוש ההערות בקטע הקוד שלהלן:

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();

ראה פרטים נוספים כאן על נורמליזציה וקונטיזציה.

המטרה הסופית של ספריית התמיכה היא לתמוך בכל התמורות tf.image . המשמעות היא שהטרנספורמציה תהיה זהה ל-TensorFlow והיישום יהיה בלתי תלוי במערכת ההפעלה.

מפתחים מוזמנים גם ליצור מעבדים מותאמים אישית. חשוב במקרים אלו להיות מיושרים עם תהליך האימון - כלומר אותו עיבוד מקדים צריך לחול גם על אימון וגם על הסקה כדי להגביר את יכולת השחזור.

כימות

בעת הפעלת אובייקטי קלט או פלט כגון TensorImage או TensorBuffer , עליך לציין את הסוגים שלהם להיות DataType.UINT8 או DataType.FLOAT32 .

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

ניתן להשתמש ב- TensorProcessor כדי לכמת טנסור קלט או לנטרל טנסור פלט. לדוגמה, בעת עיבוד פלט קוונטי TensorBuffer , המפתח יכול להשתמש DequantizeOp כדי לכבות את התוצאה להסתברות של נקודה צפה בין 0 ל-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);

ניתן לקרוא את פרמטרי הקוונטיזציה של טנזור דרך ספריית מחלץ המטא נתונים .