Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

iOS-Schnellstart

Um mit TensorFlow Lite unter iOS zu beginnen, empfehlen wir, das folgende Beispiel zu untersuchen:

Beispiel für die Klassifizierung von iOS-Bildern

Zur Erläuterung des Quellcodes sollten Sie auch die TensorFlow Lite iOS-Bildklassifizierung lesen.

Diese Beispiel-App verwendet die Bildklassifizierung, um kontinuierlich zu klassifizieren, was auch immer von der Rückfahrkamera des Geräts gesehen wird, und zeigt die wahrscheinlichsten Klassifizierungen an. Der Benutzer kann zwischen einem Gleitkomma- oder einem quantisierten Modell wählen und die Anzahl der Threads auswählen, für die eine Inferenz durchgeführt werden soll.

Fügen Sie TensorFlow Lite zu Ihrem Swift- oder Objective-C-Projekt hinzu

TensorFlow Lite bietet native iOS-Bibliotheken, die in Swift und Objective-C geschrieben sind . Beginnen Sie mit dem Schreiben Ihres eigenen iOS-Codes anhand des Swift-Bildklassifizierungsbeispiels als Ausgangspunkt.

In den folgenden Abschnitten wird gezeigt, wie Sie Ihrem Projekt TensorFlow Lite Swift oder Objective-C hinzufügen:

CocoaPods-Entwickler

Podfile in Ihrem Podfile den TensorFlow Lite-Pod hinzu. Führen Sie dann die pod install .

Schnell

use_frameworks!
pod 'TensorFlowLiteSwift'

Ziel c

pod 'TensorFlowLiteObjC'

Versionen angeben

Es gibt stabile und nächtliche Versionen für TensorFlowLiteSwift und TensorFlowLiteObjC Pods. Wenn Sie keine Versionsbeschränkung wie in den obigen Beispielen angeben, ruft CocoaPods standardmäßig die neueste stabile Version ab.

Sie können auch eine Versionsbeschränkung angeben. Wenn Sie beispielsweise von Version 2.0.0 abhängig sein möchten, können Sie die Abhängigkeit wie folgt schreiben:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

Dadurch wird sichergestellt, dass die neueste verfügbare 2.xy-Version des TensorFlowLiteSwift Pods in Ihrer App verwendet wird. Wenn Sie sich auf die nächtlichen Builds verlassen möchten, können Sie alternativ schreiben:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly'

Bei der nächtlichen Version werden standardmäßig GPU- und Core ML-Delegierte aus dem Pod ausgeschlossen, um die Binärgröße zu verringern. Sie können sie einschließen, indem Sie die Unterspezifikation angeben:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['CoreML', 'Metal']

Auf diese Weise können Sie die neuesten Funktionen von TensorFlow Lite verwenden. Beachten Sie, dass nach dem Podfile.lock Datei Podfile.lock beim Podfile.lock des Podfile.lock pod install die nächtliche Bibliotheksversion mit der aktuellen Datumsversion gesperrt wird. Wenn Sie die nächtliche Bibliothek auf die neuere aktualisieren möchten, sollten Sie den Befehl pod update ausführen.

Weitere Informationen zu verschiedenen Möglichkeiten zum Festlegen von Versionsbeschränkungen finden Sie unter Festlegen von Pod-Versionen .

Bazel-Entwickler

BUILD in Ihrer BUILD Datei die TensorFlowLite Abhängigkeit zu Ihrem Ziel hinzu.

Schnell

swift_library(
  deps = [
      "//tensorflow/lite/experimental/swift:TensorFlowLite",
  ],
)

Ziel c

objc_library(
  deps = [
      "//tensorflow/lite/experimental/objc:TensorFlowLite",
  ],
)

C / C ++ API

Alternativ können Sie die C-API oder die C ++ - API verwenden

# Using C API directly
objc_library(
  deps = [
      "//tensorflow/lite/c:c_api",
  ],
)

# Using C++ API directly
objc_library(
  deps = [
      "//third_party/tensorflow/lite:framework",
  ],
)

Importieren Sie die Bibliothek

Importieren Sie für Swift-Dateien das TensorFlow Lite-Modul:

import TensorFlowLite

Importieren Sie für Objective-C-Dateien den Umbrella-Header:

#import "TFLTensorFlowLite.h"

Oder das Modul, wenn Sie in Ihrem Xcode-Projekt CLANG_ENABLE_MODULES = YES :

@import TFLTensorFlowLite;