整合圖片搜尋工具

「圖片搜尋」功能可在圖片資料庫中搜尋類似的圖片。這項服務 做法是將搜尋查詢嵌入 也就是查詢的語意含義，後面接著在 預先定義、自訂的索引 ScaNN (可大規模擴充的最近鄰點)。

相對於 是圖片分類 擴大可辨識的辨識項目數量，不需要重新訓練 整個模型如要加入新的項目，只需重新建構索引即可。這也 可讓您處理更大型 (超過 10 萬項目) 的圖片資料庫。

使用 Task Library ImageSearcher API 部署自訂圖片搜尋工具 整合到您的行動應用程式中

ImageSearcher API 的主要功能

  • 使用單一圖片做為輸入內容、執行嵌入擷取， 索引中最鄰近搜尋的項目。

  • 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。

必要條件

使用 ImageSearcher API 前，必須先根據 自訂圖片語料庫此功能可以使用 Model Maker Searcher API 遵循並調整 教學課程)

為此，您需要符合以下條件：

完成這個步驟後，您應該擁有獨立的 TFLite 搜尋工具模型 (例如 mobilenet_v3_searcher.tflite)，這是原始圖片嵌入器的模型 附加至 TFLite 模型中繼資料。

在 Java 中執行推論

步驟 1：匯入 Gradle 依附元件和其他設定

將 .tflite 搜尋工具模型檔案複製到 Android 的素材資源目錄 也就是要用來執行模型的模組指定 並將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案：

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'
}

步驟 2：使用模型

// 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);

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

在 C++ 中執行推論

// 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();

詳情請參閱 原始碼 取得更多設定 ImageSearcher 的選項。

在 Python 中執行推論

步驟 1：安裝 TensorFlow Lite Support Pypi 套件。

您可以使用下列指令安裝 TensorFlow Lite Support Pypi 套件 指令：

pip install tflite-support

步驟 2：使用模型

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)

詳情請參閱 原始碼 取得更多設定 ImageSearcher 的選項。

搜尋結果範例

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

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