Android 빠른 시작

Android에서 TensorFlow Lite를 시작하려면 다음 예제를 살펴볼 것을 권장합니다.

소스 코드에 대한 설명은 TensorFlow Lite Android 이미지 분류를 읽어보세요.

이 예제 앱은 이미지 분류를 사용하여 기기의 후면 카메라에서 보여지는 내용을 지속적으로 분류합니다. 이 앱은 기기 또는 에뮬레이터에서 실행할 수 있습니다.

추론은 TensorFlow Lite Java API 및 TensorFlow Lite Android 지원 라이브러리를 사용하여 수행됩니다. 데모 앱은 프레임을 실시간으로 분류하여 가장 가능성이 높은 분류를 표시합니다. 그러면 사용자는 부동 소수점 또는 양자화 모델 중에서 선택하고, 스레드 수를 선택하고, CPU, GPU 및 NNAPI 중 어디서 실행할지 결정할 수 있습니다.

참고: 다양한 사용 사례에서 TensorFlow Lite의 사용을 시연하는 추가 Android 애플리케이션을 예제에서 확인할 수 있습니다.

Android Studio에서 빌드하기

Android Studio에서 예제를 빌드하려면 README.md의 안내를 따릅니다.

고유한 Android 앱 만들기

고유한 Android 코드 작성을 빠르게 시작하려면 Android 이미지 분류 예를 출발점으로 이용하는 것이 좋습니다.

이어지는 섹션에서 Android에서 TensorFlow Lite를 사용할 때 유용한 몇 가지 정보를 제공합니다.

Android Studio ML 모델 바인딩 사용

참고: Android Studio 4.1 이상 필요

TensorFlow Lite(TFLite) 모델을 가져오려면 다음과 같이 합니다.

TFLite 모델을 사용하려는 모듈을 마우스 오른쪽 버튼으로 클릭하거나 파일, 새로 만들기 > 기타 > TensorFlow Lite 모델 을 클릭합니다.
TFLite 파일의 위치를 선택합니다. 도구가 ML 모델을 바인딩하고 모든 종속성은 Android 모듈의 build.gradle 파일에 자동으로 삽입하는 등 사용자를 대신하여 모듈의 종속성을 구성합니다.

선택 사항: GPU 가속을 사용하려는 경우 TensorFlow GPU를 가져오기 위한 두 번째 확인란을 선택합니다.
Finish를 클릭합니다.
가져오기가 성공하면 다음 화면이 나타납니다. 모델 사용을 시작하려면 Kotlin 또는 Java를 선택하고 Sample Code 섹션 아래에 코드를 복사하여 붙여 넣습니다. Android Studio의 ml 디렉터리 아래에 있는 TFLite 모델을 두 번 클릭하여 이 화면으로 돌아갈 수 있습니다.

TensorFlow Lite Task 라이브러리 사용

TensorFlow Lite Task 라이브러리에는 앱 개발자가 TFLite로 ML 경험을 만들 수 있는 강력하고 사용하기 쉬운 작업별 라이브러리 세트가 포함되어 있습니다. 이미지 분류, 질문 및 답변 등과 같은 주요 머신 러닝 작업에 최적화된 기본 제공 모델 인터페이스가 제공됩니다. 모델 인터페이스는 각 작업에 맞게 특별히 설계되어 최상의 성능과 유용성을 제공합니다. Task 라이브러리는 크로스 플랫폼에서 작동하며 Java, C++ 및 Swift(곧 제공 예정)에서 지원됩니다.

Android 앱에서 Task 라이브러리를 사용하려면 각각 Task Vision 라이브러리 및 Task Text 라이브러리에 대해 MavenCentral에서 호스팅되는 AAR을 사용하는 것이 좋습니다.

다음과 같이 build.gradle 종속성에서 이 요소를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-task-vision:0.3.0'
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.3.0'
    implementation 'org.tensorflow:tensorflow-lite-task-audio:0.3.0'
}

야간 스냅샷을 사용하려면 Sonatype 스냅샷 저장소를 추가했는지 확인하세요.

자세한 내용은 TensorFlow Lite 작업 라이브러리 개요의 소개를 참조하세요.

TensorFlow Lite Android 지원 라이브러리 사용하기

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 후 처리 기능도 제공됩니다.

Android 앱에서 지원 라이브러리를 사용하려면 MavenCentral에서 호스팅되는 TensorFlow Lite 지원 라이브러리 AAR의 사용을 권장합니다.

다음과 같이 build.gradle 종속성에서 이 요소를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-support:0.3.0'
}

야간 스냅샷을 사용하려면 Sonatype 스냅샷 저장소를 추가했는지 확인하세요.

시작하려면 TensorFlow Lite Android 지원 라이브러리의 지침을 따르세요.

MavenCentral에서 TensorFlow Lite AAR 사용하기

Android 앱에서 TensorFlow Lite를 사용하려면 MavenCentral에서 호스팅되는 TensorFlow Lite AAR을 사용하는 것이 좋습니다.

다음과 같이 build.gradle 종속성에서 이 요소를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
}

야간 스냅샷을 사용하려면 Sonatype 스냅샷 저장소를 추가했는지 확인하세요.

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

대부분의 개발자는 x86, x86_64 및 arm32 ABI를 생략하는 것이 좋습니다. 이를 위해 대부분의 최신 Android 기기에 적용되는 armeabi-v7a 및 arm64-v8a를 포함한 다음 Gradle 구성을 이용할 수 있습니다.

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

abiFilters에 대해 자세히 알아보려면 Android Gradle 설명서에서 NdkOptions를 참조하세요.

C++를 사용하여 Android 앱 빌드하기

NDK로 앱을 빌드하는 경우, C++를 통해 TFLite를 사용하는 두 가지 방법이 있습니다.

TFLite C API 사용하기

이 방법이 권장됩니다. MavenCentral에서 호스팅되는 TensorFlow Lite AAR을 다운로드하고 이름을 tensorflow-lite-*.zip으로 바꾼 다음 압축을 풉니다. NDK 프로젝트에서 headers/tensorflow/lite/ 및 headers/tensorflow/lite/c/ 폴더에 네 개의 헤더 파일을 포함하고 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 사용하기

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.

TFLite의 최소 SDK 버전

라이브러리	`minSdkVersion`	장치 요구 사항
tensorflow-lite	19	NNAPI 사용 필요
: : : API 27+ :
tensorflow-lite-gpu	19	GLES 3.1 또는 OpenCL
: : : (일반적으로 유일 :
: : : API 21+에서 사용 가능 :
tensorflow-lite-hexagon	19	-
tensorflow-lite-support	19	-
tensorflow-lite-task-vision	21	android.graphics.Color
: : : 관련 API 필요 :
: : : API 26+ :
tensorflow-lite-task-text	21	-
tensorflow-lite-task-audio	23	-
tensorflow-lite-metadata	19	-