Flutter文本分类插件tflite_text_classification的使用

Flutter文本分类插件tflite_text_classification的使用

开发者寄语

你好👋, 这个包支持使用TensorFlow Lite模型进行文本分类。当我想要在我的Flutter应用中集成一些从TensorFlow Model Maker生成的模型时，我开发了这个插件。

是的，毫无疑问，给我一个免费的👍或⭐会鼓励我继续更新这个插件。

包描述

这是一个用于通过tflite模型进行文本分类的Flutter插件。

注意: 该项目利用tensorflow-lite-task-text库来通过模型对文本进行分类。

特性

• 支持Android 5.0（API级别21）及更高版本。
• 只需四行代码即可运行。

入门指南

在pubspec.yaml文件中，添加此依赖项：

dependencies:
  tflite_text_classification: 

在项目中导入此包：

import 'package:tflite_text_classification/tflite_text_classification.dart';

基本用法

ClassificationResult? result = await TfliteTextClassification().classifyText(
  params: TextClassifierParams(
    text: 'aaj me bahut khush hu', // 示例文本
    modelPath: 'path/mobilebert.tflite', // 模型路径
    modelType: ModelType.mobileBert, // 模型类型
    delegate: 0, // 解释器委托
  ),
);

示例代码

要运行示例项目，请下载以下模型压缩包并将其解压到示例项目的assets文件夹中。由于这些模型的大小原因，我单独提供了这些样本模型。

Sample Average Word Vec Model.zip

Sample Mobilebert Model.zip

提供的模型执行Hinglish（印度常见语言）文本情感分类，并且是使用TensorFlow Lite Model Maker生成的，但它们的准确性不高，仅用于演示目的。请替换为你自己的模型。

完整示例代码

import 'dart:developer';
import 'dart:io';

import 'package:flutter/material.dart';
import 'dart:async';

import 'package:flutter/services.dart';
import 'package:path_provider/path_provider.dart';
import 'package:tflite_text_classification/tflite_text_classification.dart';

/// 注意：这个示例使用了assets文件夹中的两个提供的模型。
/// 提供的模型执行Hinglish（印度常见语言）文本情感分类，并且是使用TensorFlow Lite Model Maker生成的，
/// 但它们的准确性不高，仅用于演示目的。
///
/// 请替换为你自己的模型。

void main() {
  runApp(const MyApp());
}

class MyApp extends StatefulWidget {
  const MyApp({super.key});

  [@override](/user/override)
  State<MyApp> createState() => _MyAppState();
}

class _MyAppState extends State<MyApp> {
  String testMessage = '未知'; // 测试消息
  String? predictedEmotion; // 预测的情感
  final _tfliteTextClassificationPlugin = TfliteTextClassification();

  [@override](/user/override)
  void initState() {
    super.initState();
    initPlatformState();
  }

  // 平台消息是异步的，因此我们在异步方法中初始化。
  Future<void> initPlatformState() async {
    ClassificationResult? result;
    // 平台消息可能会失败，因此我们使用try/catch PlatformException。
    // 我们还处理消息可能返回null的情况。
    try {
      TextClassifierParams params = TextClassifierParams(
        text: 'aaj me bahut khush hu', // 示例文本
        modelPath: await copyAssetFileToCacheDirectory('assets/mobilebert.tflite'), // 模型路径
        modelType: ModelType.mobileBert, // 模型类型
        delegate: 0, // 解释器委托
      );

      result = await _tfliteTextClassificationPlugin.classifyText(params: params);
    } on PlatformException catch (e) {
      log(e.toString());
    } catch (e) {
      log(e.toString());
    }

    // 如果在异步平台消息还在飞行时小部件被从树中移除，我们需要丢弃回复而不是调用setState来更新我们的非存在的外观。
    if (!mounted) return;

    setState(() {
      if (result != null) {
        predictedEmotion = getPredictedEmotion(result); // 获取预测的情感
        log(predictedEmotion.toString());
      }
    });
  }

  [@override](/user/override)
  Widget build(BuildContext context) {
    return MaterialApp(
      home: Scaffold(
        appBar: AppBar(
          title: const Text('插件示例应用'),
        ),
      ),
    );
  }
}

/// 辅助函数，从结果中获取最高分的情感。
String? getPredictedEmotion(ClassificationResult result) {
  String? predictedEmotion;

  double maxScore = 0.0;
  for (var category in result.categories) {
    if (category.score > maxScore) {
      maxScore = category.score;
      predictedEmotion = category.label;
    }
  }

  return predictedEmotion;
}

/// 辅助函数，将资产文件复制到缓存目录以供原生代码使用。
Future<String> copyAssetFileToCacheDirectory(String assetPath) async {
  // 获取缓存目录路径。
  Directory cacheDir = await getTemporaryDirectory();

  // 在缓存目录中创建一个同名的新文件。
  String fileName = assetPath.split('/').last;
  File cacheFile = File('${cacheDir.path}/$fileName');

  // 将资产文件复制到缓存目录。
  ByteData assetData = await rootBundle.load(assetPath);
  await cacheFile.writeAsBytes(assetData.buffer.asUint8List());

  return cacheFile.path;
}