Os desenvolvedores de aplicativos móveis normalmente interagem com objetos digitados, como bitmaps, ou primitivos, como inteiros. No entanto, a API do interpretador TensorFlow Lite que executa o modelo de aprendizado de máquina no dispositivo usa tensores na forma de ByteBuffer, que podem ser difíceis de depurar e manipular. A biblioteca de suporte do TensorFlow Lite para Android foi projetada para ajudar a processar a entrada e a saída dos modelos do TensorFlow Lite e tornar o interpretador do TensorFlow Lite mais fácil de usar.
Começando
Importar dependência do Gradle e outras configurações
Copie o arquivo do modelo .tflite
para o diretório de ativos do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca TensorFlow Lite ao arquivo build.gradle
do 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 o AAR da Biblioteca de Suporte do TensorFlow Lite hospedado no MavenCentral para diferentes versões da Biblioteca de Suporte.
Manipulação e conversão básica de imagens
A biblioteca de suporte do TensorFlow Lite possui um conjunto de métodos básicos de manipulação de imagens, como cortar e redimensionar. Para usá-lo, crie um ImagePreprocessor
e adicione as operações necessárias. Para converter a imagem no formato tensor exigido pelo interpretador TensorFlow Lite, crie um TensorImage
para ser usado como entrada:
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);
DataType
de um tensor pode ser lido por meio da biblioteca extratora de metadados, bem como outras informações do modelo.
Processamento básico de dados de áudio
A biblioteca de suporte do TensorFlow Lite também define uma classe TensorAudio
que envolve alguns métodos básicos de processamento de dados de áudio. É usado principalmente em conjunto com AudioRecord e captura amostras de áudio em um ring buffer.
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()
Crie objetos de saída e execute o modelo
Antes de executar o modelo, precisamos criar os objetos contêineres que armazenarão o resultado:
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);
Carregando o modelo e executando a inferência:
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());
}
Acessando o resultado
Os desenvolvedores podem acessar a saída diretamente por meio de probabilityBuffer.getFloatArray()
. Se o modelo produzir uma saída quantizada, lembre-se de converter o resultado. Para o modelo quantizado MobileNet, o desenvolvedor precisa dividir cada valor de saída por 255 para obter a probabilidade variando de 0 (menos provável) a 1 (mais provável) para cada categoria.
Opcional: mapeando resultados para rótulos
Os desenvolvedores também podem, opcionalmente, mapear os resultados para rótulos. Primeiro, copie o arquivo de texto que contém os rótulos para o diretório de ativos do módulo. Em seguida, carregue o arquivo de etiqueta usando o seguinte 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);
}
O trecho a seguir demonstra como associar as probabilidades aos rótulos de categoria:
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();
}
Cobertura atual de casos de uso
A versão atual da biblioteca de suporte do TensorFlow Lite abrange:
- tipos de dados comuns (float, uint8, imagens, áudio e array desses objetos) como entradas e saídas de modelos tflite.
- operações básicas de imagem (cortar imagem, redimensionar e girar).
- normalização e quantização
- utilitários de arquivo
Versões futuras irão melhorar o suporte para aplicativos relacionados a texto.
Arquitetura do processador de imagem
O design do ImageProcessor
permitiu que as operações de manipulação de imagens fossem definidas antecipadamente e otimizadas durante o processo de construção. O ImageProcessor
atualmente oferece suporte a três operações básicas de pré-processamento, conforme descrito nos três comentários no trecho de código abaixo:
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();
Veja mais detalhes aqui sobre normalização e quantização.
O objetivo final da biblioteca de suporte é oferecer suporte a todas as transformações tf.image
. Isso significa que a transformação será igual ao TensorFlow e a implementação será independente do sistema operacional.
Os desenvolvedores também podem criar processadores personalizados. É importante, nestes casos, estar alinhado com o processo de formação - ou seja, o mesmo pré-processamento deve aplicar-se tanto à formação como à inferência para aumentar a reprodutibilidade.
Quantização
Ao iniciar objetos de entrada ou saída, como TensorImage
ou TensorBuffer
você precisa especificar seus tipos como DataType.UINT8
ou DataType.FLOAT32
.
TensorImage tensorImage = new TensorImage(DataType.UINT8);
TensorBuffer probabilityBuffer =
TensorBuffer.createFixedSize(new int[]{1, 1001}, DataType.UINT8);
O TensorProcessor
pode ser usado para quantizar tensores de entrada ou desquantizar tensores de saída. Por exemplo, ao processar uma saída quantizada TensorBuffer
, o desenvolvedor pode usar DequantizeOp
para desquantizar o resultado para uma probabilidade de ponto flutuante entre 0 e 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);
Os parâmetros de quantização de um tensor podem ser lidos através da biblioteca extratora de metadados .