Android용 개발 도구

TensorFlow Lite는 모델을 Android 앱에 통합하기 위한 다양한 도구를 제공합니다. 이 페이지에서는 Kotlin, Java, C++로 앱을 빌드하는 데 사용하는 개발 도구와 Android Studio에서 TensorFlow Lite 개발 지원에 대해 설명합니다.

요점: 일반적으로, TensorFlow Lite를 Android 앱에 통합하기 위해 TensorFlow Lite 작업 라이브러리를 사용해야 합니다(이 라이브러리가 원하는 사용 목적을 지원하지 않는 경우가 아니라면). 작업 라이브러리에서 지원하지 않는 경우에는 TensorFlow Lite 라이브러리와 지원 라이브러리를 사용하세요.

Android 코드 작성을 빠르게 시작하려면 Android 빠른 시작을 참조하세요.

Kotlin 및 Java로 빌드하기 위한 도구

다음 섹션에서는 Kotlin 및 Java 언어를 사용하는 TensorFlow Lite용 개발 도구에 대해 설명합니다.

TensorFlow Lite 작업 라이브러리

TensorFlow Lite 작업 라이브러리에는 앱 개발자가 TensorFlow Lite로 빌드할 수 있는 강력하고 사용하기 쉬운 작업별 라이브러리 세트가 포함되어 있습니다. 이러한 라이브러리는 이미지 분류, 질문 및 답변 등과 같은 인기 있는 머신 러닝 작업에 최적화된 기본 모델 인터페이스를 제공합니다. 모델 인터페이스는 최상의 성능과 사용성을 달성하도록 각 작업에 대해 특별히 설계되었습니다. 작업 라이브러리는 크로스 플랫폼으로 작동하며 Java 및 C++에서 지원됩니다.

Android 앱에서 태스크 라이브러리를 사용하려면 각각 Task Vision 라이브러리, Task Text 라이브러리 및 Task Audio 라이브러리용 MavenCentral의 AAR을 사용하세요.

다음과 같이 build.gradle 종속성에서 이를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-task-vision:+'
    implementation 'org.tensorflow:tensorflow-lite-task-text:+'
    implementation 'org.tensorflow:tensorflow-lite-task-audio:+'
}

야간 스냅샷을 사용하는 경우 Sonatype 스냅샷 리포지토리를 프로젝트에 추가해야 합니다.

자세한 내용은 TensorFlow Lite 작업 라이브러리 개요 개요를 참조하세요.

TensorFlow Lite 라이브러리

MavenCentral에서 호스팅되는 AAR을 개발 프로젝트에 추가하여 Android 앱에서 TensorFlow Lite 라이브러리를 사용합니다.

다음과 같이 build.gradle 종속성에서 이를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:+'
}

야간 스냅샷을 사용하는 경우 Sonatype 스냅샷 리포지토리를 프로젝트에 추가해야 합니다.

이 AAR에는 모든 Android ABI에 대한 바이너리가 포함되어 있습니다. 지원해야 하는 ABI만 포함하여 애플리케이션의 바이너리 크기를 줄일 수 있습니다.

특정 하드웨어를 대상으로 하지 않는 한 대부분의 경우 x86, x86_64 및 arm32 ABI를 생략해야 합니다. 다음 Gradle 구성으로 이를 구성할 수 있습니다. 특히 여기에는 armeabi-v7a 및 arm64-v8a만 포함되며, 이것으로 대부분의 최신 Android 기기가 지원됩니다.

android {
    defaultConfig {
        ndk {
            abiFilters 'armeabi-v7a', 'arm64-v8a'
        }
    }
}

abiFilters에 대해 자세히 알아보려면 Android NDK 설명서에서 Android ABI를 참조하세요.

TensorFlow Lite 지원 라이브러리

TensorFlow Lite Android 지원 라이브러리를 사용하면 모델을 애플리케이션에 통합하기가 쉬워집니다. 이 라이브러리는 원시 입력 데이터를 모델에 필요한 형식으로 변환하고 모델의 출력을 해석하여 필요한 상용구 코드의 양을 줄이는 고급 API를 제공합니다.

이미지 및 배열을 포함하여 입력 및 출력에 대해 공통 데이터 형식이 지원됩니다. 또한 이미지 크기 조정 및 자르기와 같은 작업을 수행하는 전처리 및 후처리 기능도 제공됩니다.

MavenCentral에서 호스팅되는 TensorFlow Lite 지원 라이브러리 AAR을 포함하여 Android 앱에서 지원 라이브러리를 사용하세요.

다음과 같이 build.gradle 종속성에서 이를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-support:+'
}

야간 스냅샷을 사용하는 경우 Sonatype 스냅샷 리포지토리를 프로젝트에 추가해야 합니다.

시작하는 방법에 대한 지침은 TensorFlow Lite Android 지원 라이브러리를 참조하세요.

라이브러리용 최소 Android SDK 버전

Android Studio 사용하기

위에서 설명한 개발 라이브러리 외에도 Android Studio는 아래에 설명된 대로 TensorFlow Lite 모델 통합을 지원합니다.

Android Studio ML 모델 바인딩

Android Studio 4.1 이상의 ML 모델 바인딩 기능을 사용하면 .tflite 모델 파일을 기존 Android 앱으로 가져오고 인터페이스 클래스를 생성하여 코드를 모델과 더 쉽게 통합할 수 있습니다.

TensorFlow Lite(TFLite) 모델을 가져오려면 다음과 같이 합니다.

1. TFLite 모델을 사용하려는 모듈을 마우스 오른쪽 버튼으로 클릭하거나 File(파일) > New(새로 만들기) > Other(기타) > TensorFlow Lite 모델을 클릭합니다.

2. TensorFlow Lite 파일의 위치를 선택합니다. 도구는 ML 모델 바인딩을 사용하여 모듈의 종속성을 구성하고 필요한 모든 종속성을 Android 모듈의 build.gradle 파일에 자동으로 추가합니다.

   참고: GPU 가속을 사용하려는 경우 TensorFlow GPU를 가져오기 위한 두 번째 확인란을 선택합니다.

3. Finish를 클릭하여 가져오기 프로세스를 시작합니다. 가져오기가 완료되면 도구는 입력 및 출력 텐서를 포함하여 모델을 설명하는 화면을 표시합니다.

4. 모델 사용을 시작하려면 Kotlin 또는 Java를 선택하고 샘플 코드 섹션에 코드를 복사하여 붙여넣습니다.

Android Studio의 ml 디렉터리 아래에 있는 TensorFlow Lite 모델을 더블 클릭하여 모델 정보 화면으로 돌아갈 수 있습니다. Android Studio의 Modle Binding 기능 사용에 대한 자세한 내용은 Android Studio 릴리스 정보를 참조하세요. Android Studio에서 모델 바인딩을 사용하는 방법에 대한 개요는 코드 예제 지침을 참조하세요.

C 및 C++로 빌드하기 위한 도구

TensorFlow Lite용 C 및 C++ 라이브러리는 주로 Android NDK(Native Development Kit)를 사용하여 앱을 빌드하는 개발자를 대상으로 합니다. NDK로 앱을 빌드하는 경우 C++를 통해 TFLite를 사용하는 두 가지 방법이 있습니다.

TFLite C API

이 API 사용이 NDK를 사용하는 개발자에게 권장되는 접근 방식입니다. MavenCentral에서 호스팅되는 TensorFlow Lite AAR 파일을 다운로드하고 이름을 tensorflow-lite-*.zip으로 변경한 다음 압축을 풉니다. headers/tensorflow/lite/ 및 headers/tensorflow/lite/c/ 폴더에 4개의 헤더 파일을 포함하고 NDK 프로젝트의 jni/ 폴더에 관련 libtensorflowlite_jni.so 동적 라이브러리를 포함해야 합니다.

c_api.h 헤더 파일에는 TFLite C API 사용을 위한 기본 설명서가 포함되어 있습니다.

TFLite C++ API

C++ API를 통해 TFLite를 사용하려는 경우, C++ 공유 라이브러리를 빌드할 수 있습니다.

32bit armeabi-v7a:

bazel build -c opt --config=android_arm //tensorflow/lite:libtensorflowlite.so

64bit arm64-v8a:

bazel build -c opt --config=android_arm64 //tensorflow/lite:libtensorflowlite.so

현재, 필요한 모든 헤더 파일을 추출하는 간단한 방법은 없으므로 모든 헤더 파일을 TensorFlow 리포지토리의 tensorflow/lite/에 포함해야 합니다. 또한 FlatBuffers 및 Abseil의 헤더 파일도 필요합니다.