本頁面由 Cloud Translation API 翻譯而成。

整合圖片分類器

圖片分類是機器學習的常見用途圖片呈現方式舉例來說，我們可能會想知道出現的動物類型指定相片中的人物這項任務是指預測圖片所代表的意義 圖片分類。圖片分類器經過訓練，可辨識各種可能性圖片種類。舉例來說，我們可能會用經過訓練的模型代表三種不同的動物：兔子、倉鼠和狗。詳情請見這個圖片分類範例，進一步瞭解圖片分類器

使用工作程式庫 ImageClassifier API 部署自訂映像檔將分類器或預先訓練的分類器納入行動應用程式

ImageClassifier API 的主要功能

輸入圖片處理作業，包括旋轉、調整大小和色域轉換率
輸入圖片的搜尋目標區域。
標籤對應語言代碼。
用來篩選結果的分數門檻。
「前 K 個」分類結果。
標籤許可清單和拒絕清單。

支援的圖片分類器模型

下列型號保證與 ImageClassifier 相容也能使用 Google Cloud CLI 或 Compute Engine API

由建立的模型適用於圖片分類的 TensorFlow Lite Model Maker。
預先訓練的圖片分類模型
由建立的模型 AutoML Vision Edge 圖片分類。
符合模型相容性需求。

在 Java 中執行推論

詳情請參閱圖片分類參考應用程式查看範例，瞭解如何在 Android 應用程式中使用 ImageClassifier。

步驟 1：匯入 Gradle 依附元件和其他設定

將 .tflite 模型檔案複製到 Android 模組的資產目錄以便訓練模型指定不要壓縮檔案，且將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案：

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'
}

步驟 2：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);

詳情請參閱原始碼和 javadoc 取得更多設定 ImageClassifier 的選項。

在 iOS 中執行推論

步驟 1：安裝依附元件

工作程式庫支援使用 CocoaPods 進行安裝。確認 CocoaPods 會在您的系統上安裝。詳情請參閱 CocoaPods 安裝指南一文。

詳情請參閱 CocoaPods 指南如何在 Xcode 專案中新增 Pod

在 Podfile 中新增 TensorFlowLiteTaskVision Pod。

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

確認您要用於推論的 .tflite 模型出現在您的應用程式套件。

步驟 2：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];

詳情請參閱原始碼取得更多設定 TFLImageClassifier 的選項。

在 Python 中執行推論

步驟 1：安裝 pip 套件

pip install tflite-support

步驟 2：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)

詳情請參閱原始碼取得更多設定 ImageClassifier 的選項。

在 C++ 中執行推論

// 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();

詳情請參閱原始碼取得更多設定 ImageClassifier 的選項。

搜尋結果範例

這個例子是鳥分類器。

旋轉圖示

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

試試簡易設計 ImageClassifier 的 CLI 示範工具使用自己的模型與測試資料

模型相容性需求

ImageClassifier API 預期的 TFLite 模型必須具有 TFLite 模型中繼資料。查看使用 TensorFlow Lite Metadata Writer API。

相容的圖片分類器模型必須符合下列規定：

輸入圖片張量 (kTfLiteUInt8/kTfLiteFloat32)
- 輸入大小為 [batch x height x width x channels] 的圖片。
- 不支援批次推論 (batch 須為 1)。
- 僅支援 RGB 輸入 (channels 必須為 3)。
- 如果型別是 kTfLiteFloat32，就必須使用正規化選項附加於中繼資料，以便進行輸入正規化
輸出分數張量 (kTfLiteUInt8/kTfLiteFloat32)
- 含有 N 類別和 2 或 4 個維度，即 [1 x N] 或 [1 x 1 x 1 x N]
- 選用 (但建議使用) 將對應標籤對應為 AssociatedFile-s 和 type TENSOR_AXIS_LABELS，每行一個標籤。詳情請參閱標籤檔案範例。這個 AssociatedFile (如有) 會填入 label 欄位 (在 C++ 中稱為 class_name) 的結果。display_name 欄位填入關聯檔案 (如有)，其語言代碼符合使用的 ImageClassifierOptions 的 display_names_locale 欄位建立時間 (預設為「en」，例如英文)。如果這些都不是可用，只有結果的 index 欄位會填入內容。