Running TFLite and PyTorch Mobile

1. TFLiteとPyTorch Mobile
2020/06/17
shibui yusuke
1

2. 自己紹介
cat : 0.55
dog: 0.45
human : 0.70
gorilla : 0.30
画像分類Shibui Yusuke
● メルカリ AI Team
基盤エンジニア
MLエンジニア
その他いろいろ
● Github: @shibuiwilliam
● Qiita: @cvusk
● Facebook: @shibui yusuke
● 最近やってること：Android、AR
MLシステムデザインパターン作成中。
これにEdge AIパターンを追加したい！
https://github.com/mercari/ml-system
-design-pattern 2

3. 今日のアイドル
マルグレーテちゃん（ ♀） １歳
ノルウェージャンフォレストキャット
趣味は爪研ぎとゴミ箱あさり！
3

4. ● Why Edge AI?
● Tensorflow Lite & PyTorch Mobile
● Let’s Edge AI
Agenda
4

5. Why Edge AI?
● サーバサイドでAI
● クライアントサイドで AI
ボトル
ネック
ボトル
ネック
高性能
低性能
リアル
タイム
・Kotlin
・Java
・Swift
・C++
・C
情報保護
・Python
・Python
・Python
5

6. AIをスマホで動かす
● AIはAIだけではない。
○ 前処理
カメラで画像を取得し、
画像をAIで扱えるように
サイズとRGBを調整して
テンソル（行列）に変換する。
○ AI
前処理済みのテンソルにたくさんの
掛け算と足し算（積和演算）をする。
○ 後処理
AIの結果をスマホの画面に表示。
猫！
6この画像に写っているものを AIで判定したい

7. AIをスマホで動かす前処理
● カメラで画像を取得し、画像を AIで扱えるように
サイズとRGBを調整してテンソル（行列）に変換する。
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
画像を正方形
(224*224)にリサイズ
RGBのテンソル
（行列）に分ける
テンソルを0~1に正規化
60 90 240 0
0 10 127 195
10 92 128 195
195 161 111 161
7

8. AIをスマホで動かすモデル
● 前処理済みのテンソルにたくさんの掛け算と足し算（積和演算）をする。
AIの実態（ロジックとパラメータの集まり）を「モデル」と呼ぶ。
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
0.2 0.3 0.9 0.0
0.0 0.1 0.5 0.7
0.1 0.3 0.5 0.7
0.7 0.6 0.4 0.6
tench
hen
jay
kite
goose
beagle
collie
stove
lion
persian
siamese
gown
mask
ski
...1000
モデル
演算中にテンソルの形状が変化していく
8

9. AIをスマホで動かす後処理
● AIの結果をスマホの画面に表示。
猫！
tench 5%
hen 2%
jay 3%
kite 2%
goose 10%
beagle 2%
collie 3%
stove 1%
lion 10%
persian 15%
siamese 10%
gown 4%
mask 2%
ski 3%
...1000 ... 9

10. Google製のTensorflowをモバイルで
動かすためのライブラリ。
Android/iOS/ラズパイ/マイコン対応。
AIのモバイル対応では高性能で汎用的。
TensorFlow Lite & PyTorch Mobile
スマホでAIのモデルを動かすための主なライブラリ
Facebook製のPyTorchをモバイルで
動かすためのライブラリ。
Android/iOS対応。
PyTorchは使いやすさやシンプルさから
AI研究で使われることが多い。
10

11. Let's Edge AI
ImageAnalysisでTFLiteと
PyTorchMobileを実行
WorkerThreadで推論推論結果
上位3件
ソースコードはこちら。
https://github.com/shibuiwilliam/TFLitePyTorch
11

12. CameraXにImageAnalysisをbind
abstract class AbstractCameraXActivity : AppCompatActivity(){
@WorkerThread
protected abstract fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float>
~~~~省略~~~~
private fun setupCameraX() {
~~~~省略（preview）~~~~
val imageAnalysisConfig = ImageAnalysisConfig
.Builder()
.apply {
setCallbackHandler(mBackgroundHandler)
setImageReaderMode(ImageAnalysis.ImageReaderMode.ACQUIRE_LATEST_IMAGE)
}
.build()
~~~~次ページへ~~~~
}
}
TFLiteとPyTorchMobileが
analyzeImage()をoverride
12

13. CameraXにImageAnalysisをbind
abstract class AbstractCameraXActivity : AppCompatActivity(){
@WorkerThread
protected abstract fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float>
~~~~省略~~~~
private fun setupCameraX() {
~~~~前ページから~~~~
val imageAnalysis = ImageAnalysis(imageAnalysisConfig)
imageAnalysis.analyzer = ImageAnalysis.Analyzer {
image: ImageProxy?, rotationDegrees: Int ->
if (image == null) return@Analyzer
val result = analyzeImage(image, rotationDegrees)
if (result != null) runOnUiThread(Runnable { showResult(result) })
}
CameraX.bindToLifecycle(this, preview, imageAnalysis)
}
}
結果を画面に表示
推論して結果を取得
13

14. AIの開発ステップ
前処理 学習
前処理 推論 後処理
モデル
学習
サーバサイド
Python
推論
クライアントサイド
Kotlin/Swift
モデル
変
換
14
グレー部分を
TensorFlowや
PyTorchがカバー

15. ● tf.lite.TFLiteConverter
○ TFLite向けの専用のコンバータでモデルを FlatBuffersに変換する。
○ 各種クライアントのTFLite InterpreterがFlatBuffersを読み込んでモデルを動かす。
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/python
TensorFlow Lite
スマホで推論するためのモデル変換
スマホで推論モデルを動かすためのランタイム
● org.tensorflow.lite.*
○ チップセットへのdelegateを含めたInterpreter（推論器）を動かすためのライブラリ。
○ データの入出力はjava.nio.Bufferに変換、Interpreterを呼び出す。
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/experimenta
l/support/java/src/java/org/tensorflow/lite/support
15

16. TensorFlow Lite
Python
Java
(Kotlin)
16

17. Neural Network API (NNAPI)
Androidデバイスで演算負荷の
高いAI処理を実行するための
ネイティブAPI。
演算をGPUや専用チップへ移譲。
アプリ
TFLite
NNAPI
CPUProc
GPU
17

18. class TFLiteActivity : AbstractCameraXActivity() {
~~~~省略~~~~
private fun initializeTFLite(device: Constants.Device = Constants.Device.NNAPI, numThreads: Int = 4) {
val delegate = when (device) {
Constants.Device.NNAPI -> NnApiDelegate()
Constants.Device.GPU -> GpuDelegate()
Constants.Device.CPU -> "" }
if (delegate != "") tfliteOptions.addDelegate(delegate)
tfliteOptions.setNumThreads(numThreads)
tfliteModel = FileUtil.loadMappedFile(this, Constants.TFLITE_MOBILENET_V2_PATH)
tfliteInterpreter = Interpreter(tfliteModel, tfliteOptions)
~~~~次ページへ~~~~
}
}
TFLiteの演算を
NNAPIやGPU
に移譲
既存のモデルファイルを
ロード
モデルを計算
グラフに変換
TFLiteの推論モデルを用意する
18

19. TFLiteの推論モデルを用意する
class TFLiteActivity : AbstractCameraXActivity() {
~~~~省略~~~~
private fun initializeTFLite(device: Constants.Device, numThreads: Int) {
~~~~前ページから~~~~
inputImageBuffer = TensorImage(tfliteInterpreter.getInputTensor(0).dataType())
outputProbabilityBuffer = TensorBuffer.createFixedSize(
tfliteInterpreter.getOutputTensor(0).shape(),
tfliteInterpreter.getInputTensor(0).dataType())
probabilityProcessor = TensorProcessor
.Builder()
.add(NormalizeOp(0.0f, 1.0f))
.build()
}
}
入出力テンソルのバッファ
実態はjava.nio.Buffer
出力（確率）の
プロセッサ
19

20. TFLiteで推論
@WorkerThread
override fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float> {
val bitmap = Utils.imageToBitmap(image)
val cropSize = Math.min(bitmap.width, bitmap.height)
inputImageBuffer.load(bitmap)
val inputImage = ImageProcessor
.Builder()
.add(ResizeWithCropOrPadOp(cropSize, cropSize))
.add(ResizeOp(224, 224, ResizeMethod.NEAREST_NEIGHBOR))
.add(NormalizeOp(127.5f, 127.5f))
.build()
.process(inputImageBuffer)
~~~~次ページへ~~~~
}
前処理
ImageProxyをbitmap
→テンソルに変換
(同時にリサイズと正規化 )
20

21. TFLiteで推論
@WorkerThread
override fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float> {
~~~~前ページから~~~~
tfliteInterpreter.run(inputImage!!.buffer,
outputProbabilityBuffer.buffer.rewind())
val labeledProbability: Map<String, Float> = TensorLabel(
labelsList, probabilityProcessor.process(outputProbabilityBuffer)
).mapWithFloatValue
return labeledProbability
}
@UiThread
override fun showResult(result: String) { textView.text = result }
outputProbBufferに
推論結果を格納
ラベルと推論結果を紐
付ける
結果を表示 21

22. ● torch.jit.trace()
○ 汎用的なJITコンパイラでモバイル用のモデルを生成。
モバイル用に最適化するものではない。
○ Pythonで作ったPyTorchのモデルをC++から直接呼べるように変換している。
https://github.com/pytorch/pytorch/tree/master/torch/jit
PyTorch Mobile
● org.pytorch.*
torch.jit.trace()で生成したモデルを Nativeライブラリで動かすための Java実装を提供。
https://github.com/pytorch/pytorch/tree/master/android
● com.facebook.soloader.*
org.pytorch.*の実態はSoLoaderというFacebook製のネイティブコードローダー。
https://github.com/facebook/SoLoader
スマホで推論するためのモデル変換
スマホで推論モデルを動かすためのランタイム
22

23. server
Torch API
PyTorch Mobile
client
Torch
torch.jit.trace model.pt SoLoader
Graph
computation
CPU
Python
Java
(Kotlin)
23

24. PyTorch Mobileの推論モデルを用意する
class PyTorchActivity : AbstractCameraXActivity() {
~~~~省略~~~~
private fun initializePyTorch() {
val pytorchModule = Module.load(Utils.assetFilePath(
this,
Constants.PYTORCH_RESNET18_PATH))
val mInputTensorBuffer = Tensor.allocateFloatBuffer(3 * 224 * 224)
val mInputTensor = Tensor.fromBlob(
mInputTensorBuffer,
longArrayOf(1, 3, 224L, 224L)
)
}
}
推論モデルファイルをロード
この先はSoLoader
入力のテンソルを用意
実態はjava.nio.Buffer
24

25. PyTorch Mobileで推論
@WorkerThread
override fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float> {
TensorImageUtils.imageYUV420CenterCropToFloatBuffer(
image.image,
rotationDegrees,
224,
224,
TensorImageUtils.TORCHVISION_NORM_MEAN_RGB,
TensorImageUtils.TORCHVISION_NORM_STD_RGB,
mInputTensorBuffer,
0
)
~~~~次ページへ~~~~
}
前処理
ImageProxyを
テンソルに変換
(同時にリサイズと正規化 )
25

26. PyTorch Mobileで推論
@WorkerThread
override fun analyzeImage(image: ImageProxy, rotationDegrees: Int): Map<String, Float> {
~~~~前ページから~~~~
val outputModule = pytorchModule.forward(IValue.from(mInputTensor)).toTensor()
val scores = outputModule.dataAsFloatArray
val labeledProbability: MutableMap<String, Float> = mutableMapOf()
for (i in 0 until labelsList.size - 1) {
labeledProbability[labelsList[i + 1]] = score[i]
}
return labeledProbability
}
@UiThread
override fun showResult(result: String) { textView.text = result }
推論し、結果を
テンソルに変換
ラベルと
推論結果を
紐付ける
結果を表示
26

27. こんな感じで動きます
27

28. TFLiteとPyTorch Mobileを使ってみた感想
● 高性能。
● CPUだけでなくGPU/NNAPI移譲が可能。
● 各種オプションやExampleが豊富。
● 最低限必要な機能がある。
● CPUのみ。
● オプションが少ない分、シンプルに書くことが
できる。
28