Integra gli utenti che hanno cercato immagini

La ricerca immagini consente di cercare immagini simili in un database di immagini. it funziona incorporando la query di ricerca in un vettore ad alta dimensionalità che rappresenta il significato semantico della query, seguito dalla ricerca di somiglianze in una un indice predefinito e personalizzato che ScaNN (vicinati più vicini scalabili).

Al contrario di classificazione delle immagini, l'espansione del numero di elementi che possono essere riconosciuti non richiede il riaddestramento dell'intero modello. È possibile aggiungere nuovi elementi semplicemente ricreando l'indice. Anche questo consente di lavorare con database di immagini più grandi (oltre 100.000 elementi).

Utilizza l'API ImageSearcher della libreria di attività per eseguire il deployment dello strumento di ricerca di immagini personalizzate nelle tue app mobile.

Funzionalità principali dell'API ImageSearcher

• Prende una singola immagine come input, esegue l'estrazione di incorporamento e la ricerca del vicino più prossimo nell'indice.

• Elaborazione dell'immagine di input, inclusi rotazione, ridimensionamento e spazio colore e conversione in blocco.

• Regione di interesse dell'immagine di input.

Prerequisiti

Prima di utilizzare l'API ImageSearcher, è necessario creare un indice basato sul un corpus personalizzato di immagini in cui eseguire ricerche. È possibile farlo utilizzando API Model Maker Searcher seguendo e adattando le tutorial.

Per farlo avrai bisogno di:

• un modello di incorporamento di immagini TFLite come mobilenet v3. Visualizza modelli di incorporamento più preaddestrati (ovvero modelli di vettori di caratteristiche) dal Raccolta moduli immagine di Google su modelli Kaggle.
• il tuo corpus di immagini.

Dopo questo passaggio, dovresti avere un modello di ricerca TFLite autonomo (ad es. mobilenet_v3_searcher.tflite), che è il modello di incorporamento di immagini originale con l'indice collegato Metadati del modello TFLite.

Esegui l'inferenza in Java

Passaggio 1: importa la dipendenza da Gradle e altre impostazioni

Copia il file del modello dell'utente che ha eseguito la ricerca .tflite nella directory degli asset di Android in cui verrà eseguito il modello. Specifica che il file non deve essere compresso e aggiungi la libreria TensorFlow Lite al file build.gradle del modulo file:

android {
    // Other settings

    // Specify tflite index 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:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

Passaggio 2: utilizzo del modello

// Initialization
ImageSearcherOptions options =
    ImageSearcherOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setSearcherOptions(
            SearcherOptions.builder().setL2Normalize(true).build())
        .build();
ImageSearcher imageSearcher =
    ImageSearcher.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<NearestNeighbor> results = imageSearcher.search(image);

Consulta le codice sorgente e javadoc per visualizzare altre opzioni di configurazione del ImageSearcher.

Esegui l'inferenza in C++

// Initialization
ImageSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<ImageSearcher> image_searcher = ImageSearcher::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 SearchResult result = image_searcher->Search(*frame_buffer).value();

Consulta le codice sorgente per altre opzioni di configurazione di ImageSearcher.

Esegui l'inferenza in Python

Passaggio 1: installa il pacchetto Pypi di assistenza TensorFlow Lite

Puoi installare il pacchetto Pypi di assistenza TensorFlow Lite utilizzando quanto segue :

pip install tflite-support

Passaggio 2: utilizzo del modello

from tflite_support.task import vision

# Initialization
image_searcher = vision.ImageSearcher.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_file)
result = image_searcher.search(image)

Consulta le codice sorgente per altre opzioni di configurazione di ImageSearcher.

Risultati di esempio

Results:
 Rank#0:
  metadata: burger
  distance: 0.13452
 Rank#1:
  metadata: car
  distance: 1.81935
 Rank#2:
  metadata: bird
  distance: 1.96617
 Rank#3:
  metadata: dog
  distance: 2.05610
 Rank#4:
  metadata: cat
  distance: 2.06347

Prova la semplice Strumento dimostrativo dell'interfaccia a riga di comando per ImageSearcher con il tuo modello e dati di test.