画像検索ユーザーを統合する

画像検索では、画像のデータベースから類似の画像を検索できます。これは、 ベクトルに検索クエリを埋め込み、 クエリのセマンティックな意味を返してから、類似性検索を カスタム インデックスを作成し、 ScaNN （スケーラブルな最近傍探索）。

従来の 画像分類、 認識できるアイテムの数を増やしても再トレーニングは不要 モデル全体を表します。インデックスを再構築するだけで、新しいアイテムを追加できます。また、 を使用すると、大規模な（10 万以上のアイテム）画像のデータベースを操作できます。

タスク ライブラリ ImageSearcher API を使用してカスタム画像検索ツールをデプロイする モバイルアプリに統合します

ImageSearcher API の主な機能

  • 単一の画像を入力として受け取り、エンべディング抽出を行い、 最近傍探索を実行します

  • 入力画像処理（回転、サイズ変更、色空間など） なります。

  • 入力画像の関心領域。

前提条件

ImageSearcher API を使用する前に、 検索対象の画像のカスタム コーパスを指定します。これを行うには、 Model Maker Searcher API それに適応することで、 チュートリアルをご覧ください。

以下のものが必要です。

このステップを終えると、スタンドアロンの TFLite サーチャー モデル（ mobilenet_v3_searcher.tflite）。これは、元の画像埋め込みモデルで、 アタッチされたインデックスを TFLite モデル メタデータ。

Java で推論を実行する

ステップ 1: Gradle の依存関係とその他の設定をインポートする

.tflite サーチャー モデルファイルを Android のアセット ディレクトリにコピーします。 モデルを実行するモジュールですこのファイルの内容が モジュールの build.gradle に TensorFlow Lite ライブラリを追加します。 ファイル:

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'
}

ステップ 2: モデルを使用する

// 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);

詳しくは、 ソースコードと javadoc ImageSearcher を構成するその他のオプションをご覧ください。

C++ で推論を実行する

// 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();

詳しくは、 ソースコード ImageSearcher を構成するその他のオプションをご覧ください。

Python で推論を実行する

ステップ 1: TensorFlow Lite サポート Pypi パッケージをインストールする

以下を使用して、TensorFlow Lite サポート Pypi パッケージをインストールできます。 command:

pip install tflite-support

ステップ 2: モデルを使用する

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)

詳しくは、 ソースコード ImageSearcher を構成するその他のオプションをご覧ください。

検索結果の例

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

シンプルな ImageSearcher 用の CLI デモツール 独自のモデルとテストデータで トレーニングできます