本頁面由 Cloud Translation API 翻譯而成。

將自訂模型整合至應用程式

1. 事前準備

在本系列的第一個程式碼研究室中，您已建立非常簡單的應用程式，利用 Image Labelling 剖析圖片內容。您傳送一張雛菊的相片，圖片就會傳回您看到的花瓣或天空等事物。接著，在第二個程式碼研究室中，您切換至 Python 訓練新的自訂模型，該模型可辨識五種不同類型的花卉。

在本程式碼研究室中，您要使用第二個研究室來更新應用程式！

您可以複製這個存放區，以取得這個程式碼研究室的完整原始碼。您會看到 Android 和 iOS 的子目錄。如要按照範例操作，可使用上一個程式碼研究室的程式碼做為 ImageClassifierStep1。本程式碼研究室完成後的程式碼可以使用 ImageClassifierStep2。

必要條件

您應該已完成本學習路徑中的前兩個程式碼研究室

建構與學習目標

將您在先前研究室中訓練的自訂模型，整合至 Android 或 iOS 應用程式

軟硬體需求

Android Studio (可在 developer.android.com/studio 取得研究室 Android 部分)。
Xcode (在本研究室中適用於 iOS 裝置)，可在 Apple App Store 取得

2. 取得範例應用程式

首先，您需要在 Android 或 iOS 程式碼研究室中建構第一個電腦視覺應用程式。如果你完成研究室操作，該名稱的名稱會是 ImageClassifierStep1。如果您不想操作研究室，可以從存放區複製完成的版本。

在 Android Studio 中開啟應用程式，您可以執行任何您需要的更新，並在應用程式準備就緒時執行確認工作。畫面應如下所示：

這是一款基本應用程式，但只要加入一小段程式碼，就能顯示一些強大的功能。不過，如果您想將此花朵辨識為花朵 (而不只是花朵)，您需要更新應用程式，使其使用在圖片分類器程式碼研究室「建立自訂模型」中的自訂模型。

3. 更新 build.gradle，以便使用自訂 ML Kit 模型

在 Android Studio 中，找出應用程式層級的 build.gradle 檔案。最簡單的做法是使用專案探索工具。確認您已選取頂端的「Android」，即可在底部看到「Gradle Scripts」資料夾。
開啟與模組對應的頁面，並在其中輸入應用程式名稱，後面加上「.app」如下所示 – (模組：ImageClassifierStep1.app)：

在檔案底部找到「dependencies」設定。此時，您應該會看到這一行：

implementation 'com.google.mlkit:image-labeling:17.0.1'

版本號碼可能會不同。請隨時前往 ML Kit 網站查看最新的版本號碼：https://developers.google.com/ml-kit/vision/image-labeling/android

請將此項目替換為自訂圖片標籤程式庫參考資料。相關版本號碼列載於 https://developers.google.com/ml-kit/vision/image-labeling/custom-models/android

implementation 'com.google.mlkit:image-labeling-custom:16.3.1'

此外，您也將新增在先前研究室中建立的 .tflite 模型。您不希望在 Android Studio 編譯應用程式時，壓縮此模型，因此請務必在相同 build.gradle 檔案的「Android」部分使用這項設定：

aaptOptions{
    noCompress "tflite"
}

並確認該設定不在任何其他設定中。巢狀結構應位於 android 標記正下方。範例如下：

4. 新增 TFLite 模型

在先前的程式碼研究室中，您已建立自訂模型，並下載為 model.tflite。

在專案中，找出目前含有 flower1.jpg 的 assets 資料夾。將模型複製到該資料夾，如下所示：

在 Android Studio 中的「Assets」資料夾上按一下滑鼠右鍵。在隨即開啟的選單中選取「在 Finder 中顯示」。(Windows 上的「在檔案總管中顯示」，Linux 則顯示「在檔案中顯示」。)

系統會將您帶往檔案系統的目錄。將 model.tflite 檔案複製到該目錄，和 flower1.jpg. 一起

Android Studio 會更新，顯示素材資源資料夾中的兩個檔案：

現在可以更新程式碼了。

5. 更新自訂模型的程式碼

第一步是加入一些程式碼來載入自訂模型。

在 MainActivity 檔案中，將以下內容新增至 onCreate，該行位於讀取 setContentView(R.layout.activity_main) 的該行下方。

這會使用 LocalModel 從 model.tflite 資產建構。如果 Android Studio 抱怨「LocalModel」紅色，按下 Alt + Enter 鍵即可匯入程式庫。應該將匯入 com.google.mlkit.common.model.LocalModel 匯入。

val localModel = LocalModel.Builder()
        .setAssetFilePath("model.tflite")
        .build()

先前在 btn.setOnClickListener 處理常式中，您使用的是預設模型。已使用以下代碼進行設定：

val labeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)

替換後即可使用自訂模型。

設定自訂選項物件：

val options = CustomImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.7f)
        .setMaxResultCount(5)
        .build()

即可以自訂組合取代預設選項。可信度門檻會設定要傳回的預測結果品質門檻。回顧本程式碼研究室頂端的範例，如果圖片是雛菊的，您就會得到 4 項預測，而且每個預測結果旁邊都有值，例如「Sky」就是 .7632

只要使用高可信度門檻，就能有效篩除品質不佳的結果。例如，如果設為 0.9，則不會傳回優先順序低於該標籤的任何標籤。setMaxResultCount() 適用於含有大量類別的模型，但由於這個模型只有 5 個，因此您只需維持 5 即可。

現在您已擁有標籤人員的選項，可以將標籤人員的例項化為：

val labeler = ImageLabeling.getClient(options)

其餘程式碼就能在不修改的情況下執行。快來試試看吧！

如你所見，這朵花現在被識別為有 0 .959 機率的雛菊！

假設您新增了第二張花朵圖片，並透過該圖片重新執行：

它叫做玫瑰

你可能想知道為何畫的是「玫瑰」，而不是只有「玫瑰」。這是因為在資料集中，標籤是以資料夾名稱命名，遺憾的是，這些資料夾的名稱有些不一致，有時候會以單數 (例如「daisy」) 和複數形式 (例如「roses」) 使用。請勿和嘗試計算圖片中項目的模型混為一談，因為這樣比該模型具有原始特徵，並且只能識別花朵類型！

6. 取得 iOS 啟動應用程式

首先，您需要在第一個程式碼研究室中取得該應用程式。如果您已完成研究室操作，該名稱的名稱會是 ImageClassifierStep1。如果您不想操作研究室，您可以從存放區複製完成的版本。請注意，存放區中沒有 Pod 和 .xcworkspace，因此請務必先執行「pod install」再進行下一個步驟。
在 Xcode 中開啟「ImageClassifierStep1.xcworkspace」。請注意，您必須使用 .xcworkspace 而非 .xcproject，因為您已使用 Pod 組合 ML Kit，而工作區會載入這些項目。

在本研究室的其餘部分，我會在 iPhone 模擬工具中執行應用程式，應用於支援程式碼研究室的建構目標。如要使用自己的裝置，您可能需要在專案設定中變更版本目標，以符合 iOS 版本。

執行程式碼，畫面會如下所示：

請留意通用分類，如花瓣粉、花朵、天空。您在上一個程式碼研究室中建立的模型經過訓練，可偵測 5 種不同的花朵，包括這片雛菊。

在本程式碼研究室的其餘部分，您將瞭解使用自訂模型升級應用程式時需要做些什麼。

7. 使用自訂 ML Kit 映像檔標籤人員 Pod

第一個應用程式使用 Pod 檔案，取得基本的 ML Kit Image Labeler 程式庫和模型。必須進行更新，才能使用自訂圖片標籤程式庫。

在專案目錄中找出名為 podfile 的檔案。開啟應用程式後，您會看到如下內容：

platform :ios, '10.0'

target 'ImageClassifierStep1' do
        pod 'GoogleMLKit/ImageLabeling'
end

將 Pod 宣告從 ImageLabeling 變更為 ImageLabelingCustom，如下所示：

platform :ios, '10.0'

target 'ImageClassifierStep1' do
        pod 'GoogleMLKit/ImageLabelingCustom'
end

完成後，請使用終端機前往包含 Podfile 和 .xcworkspace 的目錄，然後執行 pod install。

稍待片刻，系統會移除 MLKitImageLabeling 程式庫並新增自訂程式庫。您現在可以開啟 .xcworkspace 來編輯程式碼。

8. 將 TFLite 模型新增至 Xcode

在先前的程式碼研究室中，您已建立自訂模型，並下載為 model.tflite。如果沒有實際操作，請返回並執行該程式碼研究室，或在這裡查看 Colab 程式碼。如果你無法存取 Google Colab，可以透過這個連結取得筆記本

透過 Xcode 開啟工作區，將 model.tflite 拖曳到專案中。這個檔案應與其餘檔案 (例如 ViewController.swift 或 Main.storyboard) 位於相同資料夾中。
這時畫面上會出現對話方塊，顯示新增檔案的選項。確認您已選取 [Add to Targets]，否則模型在部署至裝置時，不會與應用程式同時搭配。

請注意，項目會包含 ImageClassifierStep1。如果您直接進入這個研究室，系統會逐步進行，或者如果您直接跳到完成的程式碼，則顯示 ImageClassifierStep2 (如圖所示)。

這樣可確保您載入模型。我們將在下一個步驟中說明操作方式。

9. 更新自訂模型的程式碼

開啟 ViewController.swift 檔案。您可能會在「import MLKitImageLabeling」看到錯誤訊息位於檔案頂端這是因為您在更新 Pod 檔案時，移除了通用的圖片標籤程式庫。您可以刪除此行，並更新以下內容：

import MLKitVision
import MLKit
import MLKitImageLabelingCommon
import MLKitImageLabelingCustom

你可能會容易閱讀這些程式碼，並認為自己重複執行相同的程式碼！但只有和「自訂」課程結束！

接下來，您必須載入在上一步新增的自訂模型。找出 getLabels() 指令。在讀取 visionImage.orientation = image.imageOrientation 的行下方，新增以下幾行內容：

// Add this code to use a custom model
let localModelFilePath = Bundle.main.path(forResource: "model", ofType: "tflite")
let localModel = LocalModel(path: localModelFilePath!)

找出用於指定一般 ImageLabeler 選項的程式碼。這可能是由於這些程式庫遭到移除，所以您可能給出錯誤訊息：

let options = ImageLabelerOptions()

換成此程式碼以使用 CustomImageLabelerOptions，並指定本機模型：

let options = CustomImageLabelerOptions(localModel: localModel)

...這樣就大功告成了！現在請嘗試執行應用程式！因此，嘗試分類圖片時，應該更為準確，並表示你看到的是機率高的雛菊！

假設您新增了第二張花朵圖片，並透過該圖片重新執行：

應用程式已成功偵測到這張圖片符合「玫瑰」標籤！

10. 恭喜！

您現在已建構應用程式，使用一般模型來辨識圖片內容、自行建立機器學習模型，以辨識花朵等特定事物，接著更新應用程式來使用自訂模型。

最後，由於應用程式使用套裝圖片素材資源，因此產生的應用程式實在有限，不過 ML 部分的表現很出色。舉例來說，你可以使用 AndroidX 相機從即時影像擷取畫面並分類，看看手機辨識出哪些花朵！

無限的可能性不勝枚舉，如果您有花朵以外的資料，就能建構應用程式來利用電腦視覺技術辨識花朵。以上只是進一步邁向廣大世界的前幾個步驟，希望您對於完成這些動作感到滿意！