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

GitHub նմուշ

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:

GitHub
Twitter
Medium

Շատ շնորհակալություն.