此页面由 Cloud Translation API 翻译。

集成图像分类器

图片分类是机器学习的常见用途，用来识别例如，我们可能想知道出现了什么类型的动物特定图片中的图片。预测图片所表示内容的任务称为 图像分类。图片分类器经过训练，类别的图片。例如，模型可能会经过训练，代表三种不同类型的动物：兔子、仓鼠和狗。请参阅该图像分类示例，详细了解图片分类器。

使用 Task Library ImageClassifier API 部署您的自定义映像分类器或预训练分类器集成到您的移动应用中。

ImageClassifier API 的主要功能

输入图像处理，包括旋转、调整大小和颜色空间。
输入图片的兴趣区域。
标记地图语言区域。
用于过滤结果的分数阈值。
Top-k 分类结果。
标签许可名单和拒绝名单。

支持的图片分类器模型

以下模型保证与 ImageClassifier兼容 API。

模型创建者用于图片分类的 TensorFlow Lite Model Maker。
通过 TensorFlow Hub 上的预训练图像分类模型。
模型创建者 AutoML Vision Edge 图片分类。
符合模型兼容性要求。

使用 Java 运行推理

请参阅图片分类参考应用查看如何在 Android 应用中使用 ImageClassifier 的示例。

第 1 步：导入 Gradle 依赖项和其他设置

将 .tflite 模型文件复制到 Android 模块的 assets 目录中将运行模型的位置。指定不应压缩该文件，并且将 TensorFlow Lite 库添加到模块的 build.gradle 文件中：

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }
}

dependencies {
    // Other dependencies

    // Import the Task Vision Library dependency
    implementation 'org.tensorflow:tensorflow-lite-task-vision'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin'
}

第 2 步：使用模型

// Initialization
ImageClassifierOptions options =
    ImageClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ImageClassifier imageClassifier =
    ImageClassifier.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Classifications> results = imageClassifier.classify(image);

请参阅源代码和 javadoc 了解用于配置 ImageClassifier 的更多选项。

在 iOS 中运行推断

第 1 步：安装依赖项

Task 库支持使用 CocoaPods 进行安装。确保 CocoaPods 。请参阅 CocoaPods 安装指南了解相关说明。

请参阅 CocoaPods 指南了解有关将 Pod 添加到 Xcode 项目的详细信息。

在 Podfile 中添加 TensorFlowLiteTaskVision Pod。

target 'MyAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskVision'
end

确保用于推理的 .tflite 模型在以下文件中： app bundle。

第 2 步：使用模型

Swift

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "birds_V1",
                                            ofType: "tflite") else { return }

let options = ImageClassifierOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let classifier = try ImageClassifier.classifier(options: options)

// Convert the input image to MLImage.
// There are other sources for MLImage. For more details, please see:
// https://developers.google.com/ml-kit/reference/ios/mlimage/api/reference/Classes/GMLImage
guard let image = UIImage (named: "sparrow.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let classificationResults = try classifier.classify(mlImage: mlImage)

Objective C

// Imports
#import <TensorFlowLiteTaskVision/TensorFlowLiteTaskVision.h>

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"birds_V1" ofType:@"tflite"];

TFLImageClassifierOptions *options =
    [[TFLImageClassifierOptions alloc] initWithModelPath:modelPath];

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLImageClassifier *classifier = [TFLImageClassifier imageClassifierWithOptions:options
                                                                          error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"sparrow.jpg"];

// There are other sources for GMLImage. For more details, please see:
// https://developers.google.com/ml-kit/reference/ios/mlimage/api/reference/Classes/GMLImage
GMLImage *gmlImage = [[GMLImage alloc] initWithImage:image];

// Run inference
TFLClassificationResult *classificationResult =
    [classifier classifyWithGMLImage:gmlImage error:nil];

请参阅源代码了解用于配置 TFLImageClassifier 的更多选项。

在 Python 中运行推理

第 1 步：安装 pip 软件包

pip install tflite-support

第 2 步：使用模型

# Imports
from tflite_support.task import vision
from tflite_support.task import core
from tflite_support.task import processor

# Initialization
base_options = core.BaseOptions(file_name=model_path)
classification_options = processor.ClassificationOptions(max_results=2)
options = vision.ImageClassifierOptions(base_options=base_options, classification_options=classification_options)
classifier = vision.ImageClassifier.create_from_options(options)

# Alternatively, you can create an image classifier in the following manner:
# classifier = vision.ImageClassifier.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

请参阅源代码了解用于配置 ImageClassifier 的更多选项。

使用 C++ 运行推理

// Initialization
ImageClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Create input frame_buffer from your inputs, `image_data` and `image_dimension`.
// See more information here: tensorflow_lite_support/cc/task/vision/utils/frame_buffer_common_utils.h

std::unique_ptr<FrameBuffer> frame_buffer = CreateFromRgbRawBuffer(
      image_data, image_dimension);

// Run inference
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

请参阅源代码了解用于配置 ImageClassifier 的更多选项。

示例结果

这是一个分类结果示例，鸟类分类器。

Results:
  Rank #0:
   index       : 671
   score       : 0.91406
   class name  : /m/01bwb9
   display name: Passer domesticus
  Rank #1:
   index       : 670
   score       : 0.00391
   class name  : /m/01bwbt
   display name: Passer montanus
  Rank #2:
   index       : 495
   score       : 0.00391
   class name  : /m/0bwm6m
   display name: Passer italiae

尝试适用于 ImageClassifier 的 CLI 演示工具模型和测试数据。

模型兼容性要求

ImageClassifier API 需要一个具有强制性要求的 TFLite 模型， TFLite 模型元数据。查看使用 TensorFlow Lite Metadata Writer API。

兼容的图像分类器模型应满足以下要求：

输入图像张量 (kTfLiteUInt8/kTfLiteFloat32)
- 图片输入（大小为 [batch x height x width x channels]）。
- 不支持批量推理（batch 必须为 1）。
- 仅支持 RGB 输入（channels 必须为 3）。
- 如果类型为 kTfLiteFloat32，则需要 NormalizationOptions 附加至元数据以进行输入标准化。
输出得分张量 (kTfLiteUInt8/kTfLiteFloat32)
- 使用 N 类和 2 或 4 个维度，即 [1 x N] 或 [1 x 1 x 1 x N]
- 可选（但建议）将映射标记为具有类型的 AssociatedFile-s TENSOR_AXIS_LABELS，每行包含一个标签。请参阅标签文件示例。第一个这样的 AssociatedFile（如果有）用于填充 label 字段（在 C++ 中命名为 class_name）。display_name 字段通过 AssociatedFile（如果有）填充，其语言区域与 ImageClassifierOptions 的“display_names_locale”字段，在创建时间（默认为“en”，即英语）。如果以上两种情况均不适用可用，系统只会填充结果的 index 字段。