- vừa được xem lúc

TF Lite with Android Mobile

0 0 54

Người đăng: To Duc Thang

Theo Viblo Asia

Như các bạn đã biết việc đưa ứng dụng đến với người sử dụng thực tế là một thành công lớn trong Machine Learning.Việc làm AI nó không chỉ dừng lại ở mức nghiên cứu, tìm ra giải pháp, chứng minh một giải pháp mới,... mà quan trọng là đưa được những nghiên cứu đó vào ứng dụng thực tế, được sử dụng để giải quyết vấn đề cụ thể trong thực tế.Trong bài viết này chúng ta sẽ cùng nhau tìm hiểu cách deploy một ứng dụng AI trên điện thoại HĐH Android. Mình tạm gọi là ứng dụng nhận diện đồ vật,hiểu đơn giản là khi chụp một bức ảnh thì sẽ classification ảnh là ảnh gì.

Để có thể sử dụng Model AI trên điện thoại thì có hai cách có thể sử dụng, một là các bạn có thể dựng Server, viết một API cho thằng App gọi đến, truyền vào input là hình ảnh. Server xử lý xong thì trả về kết quả. Cách thứ hai là ta convert model sang dạng TF Lite đưa trực tiếp lên App xử lý trên thiết bị luôn. Với cách đầu dùng API thì mọi người có thể xem bài Thử làm app Flutter cho nhận diện chứng minh thư, một app có thể trích xuất thông tin từ CMT, cũng đã hướng dẫn mẫu cách làm, xây dựng App bằng Flutter (chỉ sau 2 tuần tìm hiểu của tác giả ). Và trong bài viết này mình sẽ xây dựng App với cách thứ hai, là đưa trực tiếp model lên App và xử lý trực tiếp trên điện thoại luôn. Và cũng tùy thuộc vào bài toán mà các bạn muốn áp dụng mà làm theo những cách thích hợp.

TF Lite

Vì đặc thù của các thiết bị như IoT, Mobile,.... là cấu hình phần cứng hạn chế,... nên không thể đưa hẳn một model AI lên App được mà cần phải xử lý để giảm kích thước của nó xuống, tiết kiệm được độ trễ xử lý, không gian bộ nhớ,.....TensorFlow Lite là phiên bản nhẹ hơn của TensorFlow cũng do Google phát triển. TensorFlow Lite được thiết kế để chạy các mô hình trên thiết bị di động và thiết bị nhúng. Như hình bên dưới đây :

Và như thế là ta sẽ sử dụng Tensorflow cho việc train model, trên các thiết bị phần cứng ngon, có thể dùng luôn trên Colab để train mô hình, do việc train cần sức mạnh tính toán lớn. Cũng có thể thực hiện train thiết bị di động và thiết bị nhúng, nhưng sẽ tốn rất nhiều thời gian (mình cũng chưa thử train trên thiết bị xem tốn nhiều đến mức nào ). Vì vậy, mình sẽ sử dụng Tensorflow cho việc train mô hình và Tensorflow Lite được sử dụng cho việc Inference. Sau khi đã có model thì ta sẽ convert sang dạng TF Lite, đưa model đó lên điện thoại để Inference. Ngoài ra các bạn có thể đọc thêm bài Hướng dẫn convert TF Lite không vấp lỗi ?, tác giả cũng đã có đưa ra cách làm và thực nghiệm trên thiết bị Raspberry pi 3, và cũng có show các lỗi hay gặp khi convert.

Các bạn cũng xem thêm video về TF Lite dưới đây TF Dev Summit '20:

I.Model

1. Tensorflow

Khi mọi người bắt đầu với AI với Tensorflow thì được recomment sử dụng các tập dữ liệu như Handwriting Datasets, Fashion-MNIST, Cifar-10, Cifar-100, Large Movie Review ( imdb_reviews ),... là những tập data được gọi là gối đầu giường đối với mọi người khi bắt đầu với AI, ngoài ra còn có các tập lớn như Coco, Pascal Voc,....Trong bài viết này mình sử dụng tập Cifar-10 (gồm 10 class: airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck ) để làm demo nho nhỏ. Để sử dụng data thì đã có trong Tensorflow :

import tensorflow as tf
import matplotlib.pyplot as plt
%matplotlib inline
from tensorflow.keras.datasets import cifar10 class_names=['airplane','automobile','bird','cat','deer','dog','frog','horse','ship','truck']
(X_train,Y_train),(X_test,Y_test) = cifar10.load_data()
X_train = X_train /255.0
X_test = X_test / 255.0
#print(X_train.shape) # (50000, 32, 32, 3)
#print(X_test.shape) # (10000, 32, 32, 3)

Và cũng để đơn giản mình xin build tạm một model đơn giản để train :

cifar10_model = tf.keras.models.Sequential() cifar10_model.add(tf.keras.layers.Conv2D(filters = 32,kernel_size = 3, padding="same", activation="relu", input_shape=[32,32,3]))
cifar10_model.add(tf.keras.layers.Conv2D(filters=32,kernel_size=3,padding="same", activation="relu"))
cifar10_model.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2,padding='valid')) cifar10_model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=3,padding="same", activation="relu"))
cifar10_model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=3,padding="same", activation="relu"))
cifar10_model.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2,padding='valid')) cifar10_model.add(tf.keras.layers.Conv2D(filters=128,kernel_size=3,padding="same", activation="relu"))
cifar10_model.add(tf.keras.layers.Conv2D(filters=128,kernel_size=3,padding="same", activation="relu"))
cifar10_model.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2,padding='valid')) cifar10_model.add(tf.keras.layers.Flatten())
cifar10_model.add(tf.keras.layers.Dropout(0.5,noise_shape=None,seed=None))
cifar10_model.add(tf.keras.layers.Dense(units=526,activation='relu'))
cifar10_model.add(tf.keras.layers.Dense(units=128,activation='relu'))
cifar10_model.add(tf.keras.layers.Dense(units=10,activation='softmax')) cifar10_model.summary() 

Model :

Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param # =================================================================
conv2d (Conv2D) (None, 32, 32, 32) 896 _________________________________________________________________
conv2d_1 (Conv2D) (None, 32, 32, 32) 9248 _________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 16, 16, 32) 0 _________________________________________________________________
conv2d_2 (Conv2D) (None, 16, 16, 64) 18496 _________________________________________________________________
conv2d_3 (Conv2D) (None, 16, 16, 64) 36928 _________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 8, 8, 64) 0 _________________________________________________________________
conv2d_4 (Conv2D) (None, 8, 8, 128) 73856 _________________________________________________________________
conv2d_5 (Conv2D) (None, 8, 8, 128) 147584 _________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 4, 4, 128) 0 _________________________________________________________________
flatten (Flatten) (None, 2048) 0 _________________________________________________________________
dropout (Dropout) (None, 2048) 0 _________________________________________________________________
dense (Dense) (None, 526) 1077774 _________________________________________________________________
dense_1 (Dense) (None, 128) 67456 _________________________________________________________________
dense_2 (Dense) (None, 10) 1290 =================================================================
Total params: 1,433,528
Trainable params: 1,433,528
Non-trainable params: 0
_________________________________________________________________

Test thử model thì ta nhận được acc ~ 80% . Vì độ acc không cao nên mình dùng VGG-16 để train vậy.

Nhìn hình trên thì ta có thể cover lại để phù hợp với input data của mình (32,32) và output (10 class). Mình sẽ tạo lần lượt từng layer một: Input --> 2Conv2D --> MaxPooling --> 2Conv2D --> MaxPooling --> 3Conv2D --> MaxP --> ...--> Ouput.


model = Sequential()
model.add(Conv2D(64,(3,3),activation='relu',input_shape=(32,32),padding='same'))
model.add(Conv2D(64,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(128,(3,3),activation='relu',padding='same'))
model.add(Conv2D(128,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(256,(3,3),activation='relu',padding='same'))
model.add(Conv2D(256,(3,3),activation='relu',padding='same'))
model.add(Conv2D(256,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(Conv2D(512,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2))) model.add(Flatten())
model.add(Dense(4096,activation='relu'))
model.add(Dense(4096,activation='relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

Sau khi minhg train xong thì acc tăng lên 90% (tạm vậy !!!!!! ) các bạn có thể cải thiện thêm bằng các kỹ thuật khác.... Giờ ta sẽ lưu lại model :

model.save("/content/drive/MyDrive/TFLite/Cifar-10/model")

Và như vậy là ta đã có model cho bài toán Classifier với tập data Cifar-10. Tiếp theo là sẽ phải convert sang TF Lite.

2. TF Lite

Để convert thì ta chỉ cần vài dòng code đơn giản do Tensorflow cũng đã hỗ trợ sẵn :

dir = "/content/drive/MyDrive/TFLite/Cifar-10/model"
converter = tf.lite.TFLiteConverter.from_saved_model(dir)
converter.optimizations = [tf.lite.Optimize.DEFAULT] tflite_model = converter.convert()
tflite_model_file = '/content/drive/MyDrive/TFLite/Cifar-10/converted_model.tflite' with open(tflite_model_file, "wb") as f: f.write(tflite_model)

Compression the Model

Như mọi người cũng đã biết một model bình thường có hàng chục triệu đến hàng trăm triệu tham số để tính toán thì cần một lượng tài nguyên lớn, thậm chí cẩn cả đến GPU. Ngược lại với một model quá ít tham số thì khả năng học, dự đoán của model đó cũng kém, không hiệu quả. Cho nên việc compression model là việc làm rất cần thiết giúp cho model chở nên gọn nhẹ, mà vẫn giữ được độ chính xác, có thể sử dụng trong những thiết bị nhỏ gọn. Cũng có khá nhiều thuật toán để optimize như : Pruning and Quantization, Low-rank Factorization, Transferred/compact convolutional filters or Knowledge distillation,....

Trong Tensorflow Lite thì có sử dụng các cách compression :

  • Quantization
  • Weight Pruning

Như trong code bên trên, các bạn để ý đến hàm tf.lite.Optimize như trên là mình để là DEFAULT ngoài ra còn có OPTIMIZE_FOR_LATENCY, OPTIMIZE_FOR_SIZE tuy nhiên từ version 2. trở lên thì nó bị Deprecated và hiện dùng mặc định là DEFAULT. Ngoài ra các bạn có thể đọc thêm bài viết dưới đây để biết thêm về Optimize :

  1. Compression model: Áp dụng các kỹ thuật nén để tăng hiệu năng sử dụng các mô hình deep learning(Phần 1) tác giả PhamHuuQuang
  2. [Deep Learning][Optimization] Neural Network Compression - All essential things You Need! tác giả NguyenVanDat

Load model TF Lite

Và bây giờ ta đã có model dưới dạng tflife. Để thực hiện việc inferrence ta làm như sau :

interpreter = tf.lite.Interpreter(model_path=tflite_model_file)
interpreter.allocate_tensors() input_index = interpreter.get_input_details()
output_index = interpreter.get_output_details()
print(input_details)
print(output_details)

Với input là shape ảnh mà model có thể sử dụng, output là đầu ra của model. Ta đã train mô hình với image_size = (32, 32) và ouput là 10 class tương ứng tập Cifar-10:

[{'name': 'serving_default_conv2d_14_input:0', 'index': 0, 'shape': array([ 1, 32, 32, 3], dtype=int32), 'shape_signature': array([-1, 32, 32, 3], dtype=int32), 'dtype': <class 'numpy.float32'>,...]
[{'name': 'StatefulPartitionedCall:0', 'index': 33, 'shape': array([ 1, 10], dtype=int32), 'shape_signature': array([-1, 10], dtype=int32), 'dtype': <class 'numpy.float32'>,..]

Các bạn cũng có thể test thử với một vài image:

import tensorflow as tf
import cv2
import numpy as np from keras.preprocessing import image lables = {'Aeroplane':0,'Automobile':1, 'Bird':2,'Cat':3, 'Deer':4,'Dog':5, 'Frog':6,'Horse':7, 'Ship':8,'Truck':9} path_img = ""
image =image.load_img(path_img,target_size =(32,32))
#img = cv2.imread(path_img)
#cv2_imshow(img) test_image =image.img_to_array(image) test_image =np.expand_dims(test_image, axis =0) interpreter.set_tensor(input_details[0]['index'], test_image)
interpreter.invoke()
tflite_results = interpreter.get_tensor(output_details[0]['index']) categorical = tflite_results.argmax(axis=-1)[0]
print([k for k,v in lables.items() if v == categorical][0])

Bước tiếp theo sau khi đã có model TF Lite thì ta sẽ đưa nó lên App Android.

II. Android App

Về cách cài đặt Android Studio và setup môi trường thì các bạn hãy xem thêm, mình sẽ không đưa vào đây, nó cũng đơn giản thôi ( hiện tại mình đang dùng Android Studio vesion 4.1 nhé, ngoài ra có thể dùng Android Studio Canary hoặc Android Studio Preview cũng được, nó cũng suggest khá nhiều khi app có sử dụng Tensorflow ). Về ý tưởng của app thì mình sẽ làm 2 Activity ( màn hình ). Màn đầu có hai button cho người dùng chọn, một là chọn ảnh từ thư viện Gallery của máy, hai là sử dụng Camera để chụp hình ảnh. Tiếp theo là màn hình thứ hai sẽ show ảnh và kết quả, output của ảnh là gì, là class nào trong tập Cifar-10 mà ta đã train ở bên trên .

Design Activity

Ta cũng sẽ sử dụng các thẻ cơ bản, các Layout như ta thường làm. Hiện mình tạm làm như sau. Ở activitymain.xml thì m code như dưới đây :

<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:app="http://schemas.android.com/apk/res-auto" xmlns:tools="http://schemas.android.com/tools" android:layout_width="match_parent" android:layout_height="match_parent" tools:context=".MainActivity" android:orientation="vertical"> <TextView android:id="@+id/tv_top_heading" android:layout_width="match_parent" android:layout_height="wrap_content" android:textAlignment="center" android:text="Cifar-10 Classifier" android:foregroundGravity="top" android:textColor="@color/teal_200" android:layout_marginTop="20dp" android:textSize="40sp" /> <LinearLayout android:layout_width="match_parent" android:layout_height="match_parent" android:gravity="center" android:orientation="vertical" android:layout_marginBottom="30dp"> <Button android:id="@+id/b_select_from_gal" android:layout_width="wrap_content" android:layout_height="wrap_content" android:layout_margin="20dp" android:background="@drawable/button_bg" android:padding="10dp" android:text="Select image from gallery" android:textSize="20sp" android:textAllCaps="false" android:textColor="@android:color/holo_blue_dark" /> <Button android:id="@+id/b_select_from_cam" android:layout_width="wrap_content" android:layout_height="wrap_content" android:layout_margin="20dp" android:padding="10dp" android:text="Select image from camera" android:background="@drawable/button_bg" android:textSize="20sp" android:textAllCaps="false" android:textColor="@android:color/holo_blue_dark" /> </LinearLayout> </LinearLayout>

Kết quả ta được màn tạm như sau :

Tiếp đến là màn gọi là ResultActivity thì cũng tương tự cách code, mọi người có thể tìm hiểu thêm, dưới đây là kết quả code của mình :

Về giao diện thì mình code tạm như thế. Tiếp đến là ta sẽ phải xin quyền Read, Camera trong AndroidManifest.xml :

 <uses-permission android:name="android.permission.CAMERA" /> <uses-feature android:name="android.hardware.camera" />

Và điều quan trọng là để sử dụng được Tensorflow trong Android thì ta phải config trong file build.gradle (app), trong thẻ android ta thêm :

android{ aaptOptions { noCompress "tflite" noCompress "lite" }
}

Trong dependencies ta thêm plugin:

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

Tiếp theo ta create một folder là /app/src/main/assets, ta sẽ đưa model tflite đã convert được bên trên và file lable.txt có ghi tên 10 class của tập Cifar-10. Dưới đây mình có thêm file định dạng text thôi, chứ nó chỉ cần 2 file tflite, label.txt là được .

Code

Luồng xử lý như hình dưới đây :

Đầu tiên thì ta sẽ tạo một class Classifier.java chuyên xử lý input, output, load model, load label từ asset. Tạo một contructor truyền vào các tham số :


public class Classifier { private AssetManager assetManager; private String modelPath; private String labelPath; private List<String> labelList; private int inputSize = 32; private Interpreter interpreter; public Classifier(AssetManager assetManager, String modelPath, String labelPath, int inputSize) { this.assetManager = assetManager; this.modelPath = modelPath; this.labelPath = labelPath; this.inputSize = inputSize; } class Recognition{ private String id = ""; private String title = ""; private float confidence = 0f; public Recognition(String id, String title, float confidence) { this.id = id; this.title = title; this.confidence = confidence; } @Override public String toString() { return "Pred:{" + "title=" + title + ", confidence=" + confidence + '}'; } }
}

Trong class thì ta cũng tạo các fun cho từng nhiệm vụ :

 public void init() throws IOException { Interpreter.Options options= new Interpreter.Options(); options.setNumThreads(5); options.setUseNNAPI(true); # Load model vào bộ nhớ và khởi tạo interpreter = new Interpreter(loadModelFile(assetManager, modelPath),options); labelList = loadLabelList(assetManager, labelPath); } private List<String> loadLabelList(AssetManager assetManager, String labelPath) throws IOException { List<String> labelList = new ArrayList<>(); BufferedReader reader = new BufferedReader(new InputStreamReader(assetManager.open(labelPath))); String line; while ((line = reader.readLine()) != null) { labelList.add(line); } reader.close(); return labelList; } private static MappedByteBuffer loadModelFile(AssetManager assetManager, String modelPath) { AssetFileDescriptor fileDescriptor = null; try { fileDescriptor = assetManager.openFd(modelPath); FileInputStream inputStream = new FileInputStream(fileDescriptor.getFileDescriptor()); FileChannel fileChannel = inputStream.getChannel(); long startOffset = fileDescriptor.getStartOffset(); long declaredLength = fileDescriptor.getDeclaredLength(); return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset, declaredLength); } catch (IOException e) { e.printStackTrace(); } return null; }

Trong hàm init() bên trên có dùng Interpreter.Options() với mục đích là controller thời gian chạy interpreter, số lượng Thread được sử dụng, xem thêm tại đây

Do input size của ảnh phù hợp với model bên trên ta sẽ phải resize lại kích thước ảnh trước khi ta đưa nó vào model. Vì trong Android để thể hiện ảnh thì có lớp Bitmap, mỗi một điểm ảnh trong Bitmap là một số nguyên đại diện cho một màu của 4 kênh màu là Alpha, Red, Green, Blue, cái input đầu vào của model là image với 3 kênh RGB và chuyển sang dạng Byte Buffer.

private static ByteBuffer comvertBitmapToByteBuffer(Bitmap bitmap) { # Resize hình ảnh về size (32, 32) để đưa vào model bitmap = Bitmap.createScaledBitmap(bitmap, INPUT_SIZE, INPUT_SIZE, false); # Convert bitmap sang ByteBuffer ByteBuffer byteBuffer = ByteBuffer.allocateDirect(4 * INPUT_SIZE * INPUT_SIZE * 3); byteBuffer.order(ByteOrder.nativeOrder()); int[] intValues =new int[INPUT_SIZE * INPUT_SIZE]; # Lấy kênh màu RGB của bitmap bitmap.getPixels(intValues, 0, bitmap.getWidth(), 0, 0, bitmap.getWidth(), bitmap.getHeight()); int pixel = 0; for (int i=0; i< INPUT_SIZE; i++) { for (int j=0; j<INPUT_SIZE; j++) { int input = intValues[pixel++]; byteBuffer.putFloat((((input>>16 & 0xFF) - IMAGE_MEAN) / IMAGE_STD)); # Red byteBuffer.putFloat((((input>>8 & 0xFF) - IMAGE_MEAN) / IMAGE_STD)); # Green byteBuffer.putFloat((((input & 0xFF) - IMAGE_MEAN) / IMAGE_STD)); # Blue } } return byteBuffer; }

Chuyển sang MainActivity chính ta sẽ phải setOnClick hai button mà ta đã nói bên trên, trước hết là ta sẽ phải create initClassifier ngay trong onCreate():

 private static final int MY_CAMERA_REQUEST_CODE = 100; private static Classifier classifier; Button btn_From_Gra; Button btn_From_Cam; @Override protected void onCreate(Bundle savedInstanceState) { super.onCreate(savedInstanceState); setContentView(R.layout.activity_main); try { initClassifier(); } catch (IOException e) { e.printStackTrace(); } # Set Button Id ...... } private void initClassifier() throws IOException { classifier = new Classifier(getAssets(),"converted_model.tflite","label.txt",32); classifier.init(); } 

Gửi image sang màn ResultActivity để show kết quả nhận được :

 @Override protected void onActivityResult(int requestCode, int resultCode, @Nullable Intent data) { super.onActivityResult(requestCode, resultCode, data); switch (requestCode) { case 0: //select from camera if (resultCode == RESULT_OK) { Bitmap bitmap = (Bitmap) data.getExtras().get("data"); startActivity(new Intent(this, ResultActivity.class).putExtra("image-bitmap", bitmap)); } break; case 1: //select from gallery if (resultCode == RESULT_OK) { Uri imageUri = data.getData(); startActivity(new Intent(this, ResultActivity.class).putExtra("image-uri", imageUri)); } break; } }

Trong màn ResultActivity ta cũng sẽ sử dụng Intent để lấy image mà màn Main đã gửi sang :

 # Trong onCreate() Intent intent = getIntent(); Bitmap imageBitmap = intent.getParcelableExtra("image-bitmap"); if(imageBitmap!= null) { imView.setImageBitmap(imageBitmap); } else{ Uri imageUri = intent.getParcelableExtra("image-uri"); imView.setImageURI(imageUri); } try { Bitmap image = ((BitmapDrawable) ((ImageView) imView).getDrawable()).getBitmap(); List<Classifier.Recognition> result = classifier.recognzeImage(image); tvRes.setText(result.toString()); } catch (Exception e){ tvRes.setText("Can't find the image!"); }

Và sau khi đã có image thì ta sẽ show kết quả ra TextView:

 private void changeImage(Bitmap bitmap) { progressLayout.setVisibility(View.VISIBLE); tvRes.setVisibility(View.GONE); imView.setImageBitmap(bitmap); List<Classifier.Recognition> result = classifier.recognzeImage(bitmap); tvRes.setText(result.toString()); tvRes.setVisibility(View.VISIBLE); progressLayout.setVisibility(View.GONE); }

Build App kết quả tạm thời hiện tại như video dưới đây:

Ngoài ra các bạn cũng xem hướng dẫn trong bài Recognize Flowers with TensorFlow Lite on Android để xem thêm cách làm khác. Trong bài viết tới nếu có time mình sẽ làm App Real time Recognize trên Mobile và có thể sẽ dùng thêm OpenGL để show thêm animation của output, thậm chí cả AR hãy upvote + follow nhé.

Tài liệu tham khảo

  1. https://www.tensorflow.org/lite/guide/inference
  2. https://codelabs.developers.google.com/codelabs/recognize-flowers-with-tensorflow-on-android
  3. https://towardsdatascience.com/step-by-step-vgg16-implementation-in-keras-for-beginners-a833c686ae6c
  4. https://www.tensorflow.org/lite/examples
  5. https://heartbeat.fritz.ai/image-recognition-for-android-with-a-custom-tensorflow-lite-model-6418186ecc0e
  6. https://awesomeopensource.com/projects/tensorflow-lite

Bình luận

Bài viết tương tự

- vừa được xem lúc

Hành trình AI của một sinh viên tồi

Mình ngồi gõ những dòng này vào lúc 2h sáng (chính xác là 2h 2 phút), quả là một đêm khó ngủ. Có lẽ vì lúc chiều đã uống cốc nâu đá mà giờ mắt mình tỉnh như sáo, cũng có thể là vì những trăn trở về lý thuyết chồng chất ánh xạ mình đọc ban sáng khiến không tài nào chợp mắt được hoặc cũng có thể do mì

0 0 131

- vừa được xem lúc

[Deep Learning] Key Information Extraction from document using Graph Convolution Network - Bài toán trích rút thông tin từ hóa đơn với Graph Convolution Network

Các nội dung sẽ được đề cập trong bài blog lần này. . Tổng quan về GNN, GCN. Bài toán Key Information Extraction, trích rút thông tin trong văn bản từ ảnh.

0 0 198

- vừa được xem lúc

Tìm hiểu về YOLO trong bài toán real-time object detection

1.Yolo là gì. . Họ các mô hình RCNN ( Region-Based Convolutional Neural Networks) để giải quyết các bài toán về định vị và nhận diện vật thể.

0 0 269

- vừa được xem lúc

Encoding categorical features in Machine learning

Khi tiếp cận với một bài toán machine learning, khả năng cao là chúng ta sẽ phải đối mặt với dữ liệu dạng phân loại (categorical data). Khác với các dữ liệu dạng số, máy tính sẽ không thể hiểu và làm việc trực tiếp với categorical variable.

0 0 243

- vừa được xem lúc

Xây dựng hệ thống Real-time Multi-person Tracking với YOLOv3 và DeepSORT

Trong bài này chúng ta sẽ xây dựng một hệ thống sử dụng YOLOv3 kết hợp với DeepSORT để tracking được các đối tượng trên camera, YOLO là một thuật toán deep learning ra đời vào tháng 5 năm 2016 và nó nhanh chóng trở nên phổ biến vì nó quá nhanh so với thuật toán deep learning trước đó, sử dụng YOLO t

0 0 302

- vừa được xem lúc

The Bias-Variance Decomposition

Như chúng ta đã biết, việc sử dụng maximum likelihood có thể dẫn đến over-fitting nếu model quá phức tạp lại được huấn luyện với dataset có lượng dữ liệu giới hạn( cái này có thể chứng minh toán học nhưng mình sẽ để 1 bài khác nhé ). Tuy nhiên, nếu ta giảm số lượng tham số model để tránh over-fittin

0 0 21