MediaPipe Tasks × AICore で Edge AI を爆速化！.tfliteの次世代Android ML入門

「Androidアプリに機械学習を組み込みたいけど、テンソルバッファとか画像の前処理とか、なんか難しそう…」と感じたことはありませんか？😅

実は、その「面倒くさい部分」をまるごと引き受けてくれるしくみが、すでに存在するんです。それが MediaPipe Tasks と AICore の組み合わせです。今回はこのトレンドをわかりやすく解説していきますよ！

Contents

🔧 従来の .tflite 運用、正直しんどかったですよね
🚀 MediaPipe Tasks が「前処理・後処理」を全部やってくれる
🤖 AICore で Gemini Nano をオンデバイス活用
📱 Edge AI がここまで身近になった理由
まとめ

🔧 従来の .tflite 運用、正直しんどかったですよね

artificial intelligence mobile / Photo by Tim Witzdam via Pexels

少し前まで、AndroidでオンデバイスMLを実装しようとすると、こんな流れが当たり前でした。

.tflite モデルをダウンロードして assets フォルダに配置
テンソルバッファを手動で管理
画像のリサイズ・ピクセル値の正規化を自前でコーディング
モデルの出力（生のfloat配列）を人間が読める形にパース

これ、毎回やるの本当に大変でしたよね。しかも一歩間違えるとモデルが誤動作して、デバッグが地獄になる…というパターンも多かったはずです。

🚀 MediaPipe Tasks が「前処理・後処理」を全部やってくれる

MediaPipe Tasks は、Googleが提供するオンデバイスMLライブラリです。イメージとしては、「モデルを動かすための面倒な作業をぜんぶラッパーに任せられるフレームワーク」といえます。

たとえば画像分類なら、こんなシンプルなコードで動かせます。

// Kotlin での MediaPipe Tasks 画像分類サンプル
val options = ImageClassifier.ImageClassifierOptions.builder()
    // モデルファイルのパスを指定するだけ
    .setBaseOptions(BaseOptions.builder().setModelAssetPath("classifier.tflite").build())
    // 上位3件の結果を返す
    .setMaxResults(3)
    .build()

val classifier = ImageClassifier.createFromOptions(context, options)

// MPImage に変換して推論を実行（前処理は自動！）
val mpImage = BitmapImageBuilder(bitmap).build()
val result = classifier.classify(mpImage)

// 結果はそのまま使えるオブジェクトで返ってくる
result.classificationResult().classifications().forEach { classification ->
    classification.categories().forEach { category ->
        println("ラベル: ${category.categoryName()}, スコア: ${category.score()}")
    }
}

ポイントをまとめるとこんな感じです👇