Biblioteca de tarefas do TensorFlow Lite

A biblioteca de tarefas do TensorFlow Lite contém um conjunto de bibliotecas específicas de tarefas poderosas e fáceis de usar para desenvolvedores de aplicativos criarem experiências de ML com o TFLite. Ele fornece interfaces de modelo prontas para uso otimizadas para tarefas populares de aprendizado de máquina, como classificação de imagens, perguntas e respostas, etc. As interfaces de modelo são projetadas especificamente para cada tarefa para obter o melhor desempenho e usabilidade. A biblioteca de tarefas funciona em várias plataformas e é compatível com Java, C++ e Swift.

O que esperar da Biblioteca de Tarefas

  • APIs limpas e bem definidas que podem ser usadas por não especialistas em ML
    A inferência pode ser feita em apenas 5 linhas de código. Use as APIs poderosas e fáceis de usar na biblioteca de tarefas como blocos de construção para ajudá-lo a desenvolver facilmente ML com TFLite em dispositivos móveis.

  • Processamento de dados complexo, mas comum
    Suporta visão comum e lógica de processamento de linguagem natural para converter entre seus dados e o formato de dados exigido pelo modelo. Fornece a mesma lógica de processamento compartilhável para treinamento e inferência.

  • Ganho de alto desempenho
    O processamento de dados não levaria mais do que alguns milissegundos, garantindo a experiência de inferência rápida usando o TensorFlow Lite.

  • Extensibilidade e personalização
    Você pode aproveitar todos os benefícios que a infraestrutura da biblioteca de tarefas oferece e criar facilmente suas próprias APIs de inferência Android/iOS.

Tarefas suportadas

Abaixo está a lista dos tipos de tarefas com suporte. Espera-se que a lista cresça à medida que continuamos habilitando mais e mais casos de uso.

Executar biblioteca de tarefas com delegados

Os delegados habilitam a aceleração de hardware dos modelos do TensorFlow Lite aproveitando os aceleradores no dispositivo, como GPU e Coral Edge TPU . Utilizá-los para operações de rede neural oferece enormes benefícios em termos de latência e eficiência de energia. Por exemplo, as GPUs podem fornecer uma aceleração de até 5 vezes na latência em dispositivos móveis e a inferência de TPUs Coral Edge 10 vezes mais rápida do que as CPUs de desktop.

A Biblioteca de Tarefas fornece configuração fácil e opções de fallback para você configurar e usar delegados. Os seguintes aceleradores agora são compatíveis com a API de tarefas:

O suporte de aceleração no Task Swift / Web API estará disponível em breve.

Exemplo de uso de GPU no Android em Java

Etapa 1. Adicione a biblioteca de plug-ins delegados da GPU ao arquivo build.gradle do seu módulo:

dependencies {
    // Import Task Library dependency for vision, text, or audio.

    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin'
}

Etapa 2. Configure o delegado de GPU nas opções de tarefa por meio de BaseOptions . Por exemplo, você pode configurar a GPU no ObjectDetector da seguinte maneira:

// Turn on GPU delegation.
BaseOptions baseOptions = BaseOptions.builder().useGpu().build();
// Configure other options in ObjectDetector
ObjectDetectorOptions options =
    ObjectDetectorOptions.builder()
        .setBaseOptions(baseOptions)
        .setMaxResults(1)
        .build();

// Create ObjectDetector from options.
ObjectDetector objectDetector =
    ObjectDetector.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Detection> results = objectDetector.detect(image);

Exemplo de uso de GPU no Android em C++

Etapa 1. Depender do plug-in delegado de GPU em seu destino de compilação do bazel, como:

deps = [
  "//tensorflow_lite_support/acceleration/configuration:gpu_plugin", # for GPU
]

Outras opções de delegado incluem:

"//tensorflow_lite_support/acceleration/configuration:nnapi_plugin", # for NNAPI
"//tensorflow_lite_support/acceleration/configuration:hexagon_plugin", # for Hexagon

Etapa 2. Configure o delegado de GPU nas opções da tarefa. Por exemplo, você pode configurar a GPU em BertQuestionAnswerer da seguinte maneira:

// Initialization
BertQuestionAnswererOptions options;
// Load the TFLite model.
auto base_options = options.mutable_base_options();
base_options->mutable_model_file()->set_file_name(model_file);
// Turn on GPU delegation.
auto tflite_settings = base_options->mutable_compute_settings()->mutable_tflite_settings();
tflite_settings->set_delegate(Delegate::GPU);
// (optional) Turn on automatical fallback to TFLite CPU path on delegation errors.
tflite_settings->mutable_fallback_settings()->set_allow_automatic_fallback_on_execution_error(true);

// Create QuestionAnswerer from options.
std::unique_ptr<QuestionAnswerer> answerer = BertQuestionAnswerer::CreateFromOptions(options).value();

// Run inference on GPU.
std::vector<QaAnswer> results = answerer->Answer(context_of_question, question_to_ask);

Explore configurações mais avançadas do acelerador aqui .

Exemplo de uso do Coral Edge TPU em Python

Configure o Coral Edge TPU nas opções básicas da tarefa. Por exemplo, você pode configurar o Coral Edge TPU no ImageClassifier da seguinte maneira:

# Imports
from tflite_support.task import vision
from tflite_support.task import core

# Initialize options and turn on Coral Edge TPU delegation.
base_options = core.BaseOptions(file_name=model_path, use_coral=True)
options = vision.ImageClassifierOptions(base_options=base_options)

# Create ImageClassifier from options.
classifier = vision.ImageClassifier.create_from_options(options)

# Run inference on Coral Edge TPU.
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

Exemplo de uso do Coral Edge TPU em C++

Etapa 1. Depender do plug-in delegado Coral Edge TPU em seu destino de compilação do bazel, como:

deps = [
  "//tensorflow_lite_support/acceleration/configuration:edgetpu_coral_plugin", # for Coral Edge TPU
]

Etapa 2. Configure o Coral Edge TPU nas opções de tarefa. Por exemplo, você pode configurar o Coral Edge TPU no ImageClassifier da seguinte maneira:

// Initialization
ImageClassifierOptions options;
// Load the TFLite model.
options.mutable_base_options()->mutable_model_file()->set_file_name(model_file);
// Turn on Coral Edge TPU delegation.
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->set_delegate(Delegate::EDGETPU_CORAL);
// Create ImageClassifier from options.
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Run inference on Coral Edge TPU.
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

Etapa 3. Instale o pacote libusb-1.0-0-dev conforme abaixo. Se já estiver instalado, pule para a próxima etapa.

# On the Linux
sudo apt-get install libusb-1.0-0-dev

# On the macOS
port install libusb
# or
brew install libusb

Etapa 4. Compile com as seguintes configurações em seu comando bazel:

# On the Linux
--define darwinn_portable=1 --linkopt=-lusb-1.0

# On the macOS, add '--linkopt=-lusb-1.0 --linkopt=-L/opt/local/lib/' if you are
# using MacPorts or '--linkopt=-lusb-1.0 --linkopt=-L/opt/homebrew/lib' if you
# are using Homebrew.
--define darwinn_portable=1 --linkopt=-L/opt/local/lib/ --linkopt=-lusb-1.0

# Windows is not supported yet.

Experimente a ferramenta de demonstração da Task Library CLI com seus dispositivos Coral Edge TPU. Explore mais sobre os modelos Edge TPU pré-treinados e as configurações avançadas do Edge TPU .

Exemplo de uso do Core ML Delegate em C++

Um exemplo completo pode ser encontrado em Image Classifier Core ML Delegate Test .

Etapa 1. Depender do plug-in delegado do Core ML em seu destino de compilação do bazel, como:

deps = [
  "//tensorflow_lite_support/acceleration/configuration:coreml_plugin", # for Core ML Delegate
]

Etapa 2. Configure o Core ML Delegate nas opções da tarefa. Por exemplo, você pode configurar o Core ML Delegate no ImageClassifier da seguinte maneira:

// Initialization
ImageClassifierOptions options;
// Load the TFLite model.
options.mutable_base_options()->mutable_model_file()->set_file_name(model_file);
// Turn on Core ML delegation.
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->set_delegate(::tflite::proto::Delegate::CORE_ML);
// Set DEVICES_ALL to enable Core ML delegation on any device (in contrast to
// DEVICES_WITH_NEURAL_ENGINE which creates Core ML delegate only on devices
// with Apple Neural Engine).
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->mutable_coreml_settings()->set_enabled_devices(::tflite::proto::CoreMLSettings::DEVICES_ALL);
// Create ImageClassifier from options.
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Run inference on Core ML.
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();