7 दिसंबर को महिला एमएल संगोष्ठी में भाग लें अभी पंजीकरण करें

TensorFlow लाइट सपोर्ट लाइब्रेरी के साथ इनपुट और आउटपुट डेटा को प्रोसेस करें

संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

मोबाइल एप्लिकेशन डेवलपर आमतौर पर टाइप की गई वस्तुओं जैसे बिटमैप्स या प्रिमिटिव जैसे पूर्णांकों के साथ इंटरैक्ट करते हैं। हालाँकि, ऑन-डिवाइस मशीन लर्निंग मॉडल चलाने वाला TensorFlow Lite दुभाषिया API 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 लाइट मॉडल के इनपुट और आउटपुट को प्रोसेस करने में मदद करने के लिए डिज़ाइन किया गया है, और TensorFlow Lite दुभाषिया को उपयोग में आसान बनाता है।

शुरू करना

ग्रैडल निर्भरता और अन्य सेटिंग्स आयात करें

एंड्रॉइड मॉड्यूल की संपत्ति निर्देशिका में .tflite मॉडल फ़ाइल की प्रतिलिपि बनाएँ जहां मॉडल चलाया जाएगा। निर्दिष्ट करें कि फ़ाइल को संपीड़ित नहीं किया जाना चाहिए, और TensorFlow Lite लाइब्रेरी को मॉड्यूल की build.gradle फ़ाइल में 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 MavenCentral पर होस्ट किए गए TensorFlow लाइट सपोर्ट लाइब्रेरी AAR को एक्सप्लोर करें।

मूल छवि हेरफेर और रूपांतरण

TensorFlow लाइट सपोर्ट लाइब्रेरी में क्रॉप और आकार बदलने जैसी बुनियादी छवि हेरफेर विधियों का एक सूट है। इसका उपयोग करने के लिए, एक ImagePreprocessor और आवश्यक संचालन जोड़ें। TensorFlow Lite दुभाषिया द्वारा आवश्यक छवि को टेंसर प्रारूप में बदलने 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);

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

मूल ऑडियो डेटा प्रोसेसिंग

TensorFlow लाइट सपोर्ट लाइब्रेरी कुछ बुनियादी ऑडियो डेटा प्रोसेसिंग विधियों को लपेटकर एक TensorAudio वर्ग को भी परिभाषित करती है। यह ज्यादातर AudioRecord के साथ प्रयोग किया जाता है और एक रिंग बफर में ऑडियो नमूने 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 होंगे जो परिणाम संग्रहीत करेंगे:

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 पहुंचना

डेवलपर्स probabilityBuffer.getFloatArray() के माध्यम से सीधे आउटपुट तक पहुंच सकते हैं। यदि मॉडल मात्रात्मक आउटपुट उत्पन्न करता है, तो परिणाम को परिवर्तित करना याद रखें। MobileNet मात्रात्मक 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 होती है।

वैकल्पिक: परिणामों को लेबल पर मैप करना

डेवलपर्स वैकल्पिक रूप से परिणामों को लेबल पर मैप भी कर सकते हैं। सबसे पहले, मॉड्यूल की संपत्ति निर्देशिका में लेबल वाली टेक्स्ट फ़ाइल की प्रतिलिपि बनाएँ। 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);
}

निम्न 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 लाइट सपोर्ट लाइब्रेरी के वर्तमान संस्करण में शामिल हैं:

  • सामान्य डेटा प्रकार (फ्लोट, uint8, चित्र, ऑडियो और इन वस्तुओं की सरणी) tflite मॉडल के इनपुट और आउटपुट के रूप में।
  • मूल छवि संचालन (फसल छवि, आकार बदलें और घुमाएं)।
  • सामान्यीकरण और परिमाणीकरण
  • फ़ाइल के बर्तन

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

इमेजप्रोसेसर आर्किटेक्चर

ImageProcessor के डिजाइन ने इमेज मैनिपुलेशन ऑपरेशंस को आगे परिभाषित करने और निर्माण प्रक्रिया के दौरान अनुकूलित करने की अनुमति दी। ImageProcessor वर्तमान में तीन बुनियादी प्रीप्रोसेसिंग संचालन 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 यहाँ देखें।

समर्थन पुस्तकालय 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 गठबंधन किया जाना महत्वपूर्ण है - यानी एक ही प्रीप्रोसेसिंग पुनरुत्पादन बढ़ाने के लिए प्रशिक्षण और अनुमान दोनों पर लागू होनी चाहिए।

परिमाणीकरण

TensorImage या TensorBuffer जैसे इनपुट या आउटपुट ऑब्जेक्ट शुरू करते समय आपको उनके प्रकार को 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 का उपयोग इनपुट टेंसर को परिमाणित करने या आउटपुट टेंसर को कम करने के लिए किया जा सकता है। उदाहरण के लिए, परिमाणित आउटपुट TensorBuffer को संसाधित करते समय, डेवलपर DequantizeOp का उपयोग परिणाम को 0 और 1 के बीच एक फ्लोटिंग पॉइंट प्रायिकता के परिणाम को कम करने के लिए 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);

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