آموزش ماشین لرنینگ در فلاتر ممکن است با استفاده از کتابخانه‌های جاوا اسکریپت (JavaScript) یا ارتباط با سرویس‌های ماشین لرنینگ انجام شود. در ادامه، یک مثال از استفاده از کتابخانه TFLite (TensorFlow Lite) برای اجرای مدل‌های ماشین لرنینگ در فلاتر آورده شده است. برای اجرای این مثال، مطمئن شوید که پروژه فلاتر شما تنظیمات مورد نیاز را دارد. از طریق فایل pubspec.yaml، کتابخانه TFLite را به پروژه خود اضافه کنید: dependencies: tflite: ^1.1.2 سپس پروژه را بروز رسانی کنید: flutter pub get حالا می‌توانید کد مثال زیر را در اپلیکیشن فلاتر خود استفاده کنید. این مثال از مدل Machine Learning معمولی MNIST (برای تشخیص اعداد دست‌نویس) استفاده می‌کند. import 'dart:typed_data'; import 'package:flutter/material.dart'; import 'package:flutter/services.dart'; import 'package:tflite/tflite.dart'; void main() => runApp(MyApp()); class MyApp extends StatelessWidget { @override Widget build(BuildContext context) { return MaterialApp( home: MyHomePage(), ); } } class MyHomePage extends StatefulWidget { @override _MyHomePageState createState() => _MyHomePageState(); } class _MyHomePageState extends State<MyHomePage> { List _outputs = []; var _model; @override void initState() { super.initState(); loadModel(); } // تابع برای بارگذاری مدل ماشین لرنینگ loadModel() async { var result = await Tflite.loadModel( model: 'assets/mnist_model.tflite', labels: 'assets/mnist_labels.txt', ); setState(() { _model = result; }); } // تابع برای پردازش تصویر و اجرای مدل runModelOnImage(Uint8List image) async { var output = await Tflite.runModelOnBinary( binary: image, model: _model, ); setState(() { _outputs = output; }); } // تابع برای خواندن تصویر از فایل و اجرای مدل Future<void> loadImageAndRunModel() async { ByteData data = await rootBundle.load('assets/test_image.png'); Uint8List buffer = data.buffer.asUint8List(); runModelOnImage(buffer); } @override Widget build(BuildContext context) { return Scaffold( appBar: AppBar( title: Text('Flutter ML Example'), ), body: Center( child: Column( mainAxisAlignment: MainAxisAlignment.center, children: <Widget>[ RaisedButton( onPressed: loadImageAndRunModel, child: Text('Run Model'), ), SizedBox(height: 20), _outputs.isNotEmpty ? Text( 'Prediction: ${_outputs[0]['label']}', style: TextStyle(fontSize: 20), ) : Container(), ], ), ), ); } @override void dispose() { Tflite.close(); super.dispose(); } } در این مثال، یک مدل MNIST به همراه تصویر آزمون در فایل assets/test_image.png استفاده شده است. شما می‌توانید مدل‌های دیگر را جایگزین کنید و با توجه به نیازهای خود اقدام به تغییرات لازم کنید. توجه داشته باشید که این مثال نیاز به پیش‌تر بارگذاری مدل (model) و فایل برچسب‌ها (labels) دارد. همچنین، منابع و مستندات کتابخانه‌ها را مطالعه کنید تا بهترین روش‌ها و رویکردها را برای پروژه‌های خود اعمال کنید.