TensorflowLite-ը մեքենայական ուսուցման մոդելի ձևաչափ է բջջայինի համար:
Հարմար կլիներ, եթե tflite մոդելը օգտագործվեր iOS-ում։
Հիմնականում,
ավելացրեք TensorFlowLite-ը CocoaPods-ով, և
Interpreter-ը կսկսի մոդելը սկզբնավորել, նկարից մուտքային տենսոր կստեղծի, եզրակացություն կանի և դա կանի դասի մեթոդներով:
Սա TensorFlow օրինակի նախագծի մոդելի եզրակացության համար անհրաժեշտ մասերի հատվածն ու բացատրությունն է:
(Կոդը գրեթե նույնն է, ինչ պաշտոնականը)
Հիմնական ընթացակարգ
Ներմուծեք TensorFlow Lite-ը
Ավելացնել TensorFlowLitePod (pod install) CocoaPod-ով:
Տեղադրեք և փաթեթավորեք ձեր TensorFlowLite մոդելը ձեր Xcode նախագծի մեջ:
Եթե օգտագործում եք պիտակներ, թողեք պիտակի ֆայլը և այն նույնպես փաթեթավորեք:
Մոդելի սկզբնավորում
Կարդացեք նաև դասի պիտակը որպես տողերի զանգված:
Պատրաստվում է մուտքագրմանը
Մուտքագրեք CVPixelBuffer-ը, որը համապատասխանում է մոդելի մուտքագրման ձևաչափին:
Սահմանեք kCMPixelFormat_32BGRA ձևաչափը՝ պաշտոնական TensorFlow նմուշի նախագծի PixelBuffer փոխակերպման մեթոդը օգտագործելու համար:
Կտրեք PixelBuffer-ը քառակուսու մեջ:
Սահմանեք PixelBuffer-ը 3 ալիքի (VImage-ով): Մեջբերում պաշտոնական TensorFlow օրինակի նախագծից:
Ընդլայնում վերը նշված մեթոդի համար
եզրակացություն
Եզրակացե՛ք կատարումը.
Ստացեք արդյունք
Եթե ելքը uInt8 է, ամրացրեք այն Float-ին:
Արդյունքը Float-ի զանգված է:
Պատկերի ճանաչման դեպքում այս անգամ այն վերադարձվում է որպես բոլոր դասերի պիտակների հուսալիություն:
Օրինակ, 1000 դասի համար կա 1000 Float:
պիտակ՝ spotlight
վստահություն՝ 0,84118
TensorFlow օրինակ Սա հատվածն ու բացատրությունն է նախագծում մոդելի եզրակացության համար անհրաժեշտ մասերի:
(Կոդը գրեթե նույնն է, ինչ պաշտոնականը)
🐣
Ես ազատ ինժեներ եմ:
Ազատորեն կապվեք մեզ հետ աշխատանքային խորհրդատվության համար 🐥
[email protected]
Ես պատրաստում եմ հավելված, որն օգտագործում է Core ML և ARKit:
Մենք ուղարկում ենք մեքենայական ուսուցման / AR առնչվող տեղեկատվություն:
Շատ շնորհակալություն.