شارك المقالة
تشغيل نموذج تصنيف صور TFLite في Flutter وفحص المخرجات

تشغيل نموذج تصنيف صور TFLite في Flutter وفحص المخرجات

دمج نموذج تصنيف صور TFLite في Flutter مع فحص tensors والتطبيع وترتيب labels، وفصل postprocessing عن تحميل النموذج والتصوير.

دمج نموذج تصنيف صور TFLite في Flutter مع فحص tensors والتطبيع وترتيب labels، وفصل postprocessing عن تحميل النموذج والتصوير.

حدد نوع النموذج الذي تملكه

هذا الدرس خطوة التشغيل بعد تدريب نموذج أو الحصول على نموذج مرخص، وليس شرح تدريب من الصفر. نموذج تصنيف صورة يعيد درجات فئات، بينما اكتشاف الأجسام يحتاج مخرجات مثل الحدود وقد يتبع postprocessing مختلفًا. امتداد tflite وحده لا يحدد شكل المدخل أو نوعه أو معنى المخرج. لا تفترض أن كل نموذج يقبل 224 في 224 وأن كل مخرج يحتمل قراءة output[0] بنفس الطريقة؛ افحص tensor metadata والنموذج المرجعي.

تثبيت المحرك وإدراج الأصول

يمكن استعمال tflite_flutter المتوافق مع SDK والمنصات التي تستهدفها، بدل نسخ مثال tflite القديم دون مراجعة دعمه. عرّف ملف النموذج وlabels في assets ثم حمّل Interpreter.fromAsset وفق API الإصدار. افتح المحرك مرة في المالك المناسب وأغلقه عندما ينتهي استعماله، مع منع الاستدعاء بعد close. نجاح pub get لا يعني أن runtime الأصلي أو delegates متوافقان مع كل جهاز، ولذلك اختبر artifact الفعلي على المنصات المطلوبة.

القص والحجم والتطبيع

طبّق ترتيب ألوان وأبعادًا ونوع بيانات يوافق ما تدرب عليه النموذج. float32 قد يحتاج تحويل قيم pixels إلى مجال معين، بينما uint8 أو int8 له قواعد quantization ومعاملات تخص tensor. قسمة كل نموذج على 255 أو طرح 127.5 دون قراءة عقده قد تعطي نتائج تبدو معقولة وهي خاطئة. لا تمرر مسار الصورة مباشرة إلى Interpreter.run وتتوقع أن المحرك يفك JPEG ويعيد تحجيمها؛ فك الصورة وتهيئة tensor مسؤولية مسار preprocessing.

ترتيب الفئات ومقياس الدرجة

احفظ labels بالترتيب الذي يقابل فهرس مخرج النموذج. بعض ملفات التصدير تضيف رقم فهرس قبل الاسم؛ عالج صيغة الملف عن قصد ولا تفترض أن المسافة الأولى دائمًا فاصلة آمنة. scores قد تكون probabilities أو logits بحسب النموذج؛ لا تطبق softmax مرتين ولا تسمي قيمة غير معايرة نسبة يقين. الدالة أدناه تفترض درجات من صفر إلى واحد وفق عقد معلن، وتعيد لا نتيجة عندما لا تصل أعلى درجة إلى العتبة المطلوبة.

الفشل وإدارة المهمة

تحميل أصل مفقود أو شكل tensor غير صحيح أو صورة غير مقروءة يحتاج حالة خطأ وإعادة محاولة صريحة، لا spinner دائمًا. ضع علم الانشغال في finally وامنع الطلب المتداخل، ولا تنفذ inference متزامنًا ثقيلًا داخل build. قِس زمن preprocessing والاستدلال والنسخ قبل اختيار isolate أو delegate. فصل طبقة العرض عن المحرك يساعد اختبار النتيجة الفارغة والعتبة والـlabels دون الحاجة إلى ملف نموذج غير مرفق أو تصوير بيانات حقيقية.

اختبار النموذج لا المثال فقط

المقطع التالي postprocessing قابل للتنفيذ ولا يحوي أوزان نموذج. اربطه بمخرج Interpreter الصحيح بعد اختبار صورة مرجعية معروفة، ثم قارن الفئة والدرجات بمسار التصدير الأصلي. اختبر صورة خارج الفئات لا مجرد قط وكلب من التدريب، واحفظ إصدار النموذج مع إعداد التطبيع. إذا تغيرت labels أو الأوزان فأعد تقييم العتبة والفهرس وأي embeddings مخزنة. نجاح دالة اختيار أعلى درجة لا يثبت دقة النموذج أو جودة مجموعة التدريب أو دعم جهاز بعينه.

عينة مرجعية تعيد إنتاج التشغيل

احتفظ بصورة اختبار عامة ونتيجة متوقعة مع نسخة النموذج وتطبيعه، ثم شغلها كلما غيرت runtime أو مسار preprocessing. لا تعتمد أن توقع قطة في مرة واحدة يكشف قلب ترتيب RGB وBGR أو تغير مجال القيم؛ قد تبقى بعض الصور صحيحة مصادفة. افحص شكل المخرج وهل له batch dimension وكيف تقابل labels فهارسه، وحدد سياسة التعادل عندما تتساوى أعلى درجتين. النموذج قد يعيد أعلى فئة رغم أن الصورة خارج الفئات، لذلك غياب عتبة مدروسة يخلق نتائج مقنعة لكنها غير مناسبة. لا تستخدم topPrediction على logits لأن الدالة تصرح أن مجالها احتمالات بين صفر وواحد؛ إن كان المخرج غير ذلك فطبق التحويل الصحيح وفق بنية النموذج قبلها. التطابق في طول labels والدرجات شرط سلامة أساسي وليس تقييمًا للدقة.

مثال الشفرة وحدوده

class Prediction {
 const Prediction(this.label,this.score);
 final String label;
 final double score;
}
Prediction? topPrediction(List<String> labels,List<double> scores,{double threshold=0.6}){
 if(labels.isEmpty||labels.length!=scores.length)throw ArgumentError('Labels/scores mismatch');
 if(!threshold.isFinite||threshold<0||threshold>1)throw ArgumentError('Invalid threshold');
 if(labels.any((x)=>x.trim().isEmpty)||labels.toSet().length!=labels.length){
  throw ArgumentError('Unique nonempty labels required');
 }
 var best=0;
 for(var i=0;i<scores.length;i++){
  final v=scores[i];
  if(!v.isFinite||v<0||v>1)throw ArgumentError('Probability scores required');
  if(v>scores[best])best=i;
 }
 return scores[best]>=threshold?Prediction(labels[best],scores[best]):null;
}
// Actual inference requires a compatible model + preprocessing:
// final interpreter=await Interpreter.fromAsset('assets/model.tflite');
// Inspect input/output tensor shapes and types, allocate matching buffers,
// then interpreter.run(inputTensor,outputTensor). Close when unused.
// This postprocessor is not a substitute for model inference.

الصور والفيديو من الشرح

قد تعرض المواد إصدارًا أقدم من المكتبات؛ اعتمد النص المصحح عند اختلاف الإعدادات أو الكود.

اذا واجهت اي مشاكل في استخدام مكتبة tflite حاول استخدام الحل التاليHow to detect image from camera

مراجع التنفيذ

شاهد أيضًا
مقالات ذات صلة
🚫 مانع الإعلانات مفعل

يجب إيقاف مانع الإعلانات لاستكمال تصفح الموقع