Dowiedz się więcej o zapowiedziach Google AI Edge z konferencji I/O.

Ta strona została przetłumaczona przez Cloud Translation API.

Integracja segmentów obrazów

Segmenterzy obrazu przewidują, czy każdy piksel obrazu jest powiązany z tagiem określonej klasy. Stanowi to kontrast z funkcją wykrywania obiektów, która wykrywa obiekty prostokątne obszary oraz klasyfikacja obrazów, która klasyfikuje ogólną . Zobacz Omówienie segmentacji obrazów przykład .

Wdrażanie segmentów obrazów niestandardowych przy użyciu interfejsu Task Library API ImageSegmenter lub już wytrenowanych w aplikacjach mobilnych.

Najważniejsze funkcje interfejsu ImageSegmenter API

Przetwarzanie obrazu, w tym obrót, zmiana rozmiaru i przestrzeń kolorów konwersji.
Język mapy etykiet.
2 typy danych wyjściowych: maska kategorii i maski ufności.
Kolorowa etykieta do wyświetlania.

Obsługiwane modele segmentowania obrazów

Te modele gwarantują zgodność z modelem ImageSegmenter API.

Wstępnie wytrenowane modele segmentacji obrazów w TensorFlow Centrum.
Modele niestandardowe spełniające zgodność z modelem .

Uruchom wnioskowanie w Javie

Więcej informacji znajdziesz w artykule na temat podziału obrazów na segmenty. pokazuje, jak używać właściwości ImageSegmenter w aplikacji na Androida.

Krok 1. Zaimportuj zależność Gradle i inne ustawienia

Skopiuj plik modelu .tflite do katalogu zasobów modułu Androida w którym będzie uruchamiany model. Określ, że plik nie powinien być skompresowany. dodaj bibliotekę TensorFlow Lite do pliku build.gradle modułu:

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'
}

Krok 2. Korzystanie z modelu

// Initialization
ImageSegmenterOptions options =
    ImageSegmenterOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setOutputType(OutputType.CONFIDENCE_MASK)
        .build();
ImageSegmenter imageSegmenter =
    ImageSegmenter.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Segmentation> results = imageSegmenter.segment(image);

Zajrzyj do kodu źródłowego i javadoc , aby uzyskać więcej opcji konfigurowania ImageSegmenter.

Uruchom wnioskowanie w iOS

Krok 1. Zainstaluj zależności

Biblioteka zadań obsługuje instalację za pomocą CocoaPods. Upewnij się, że CocoaPods jest zainstalowany w systemie. Zobacz instalację CocoaPods przewodnik .

Zapoznaj się z treścią prezentacji CocoaPods . przez dodanie podów do projektu Xcode.

Dodaj pod plik TensorFlowLiteTaskVision w pliku Podfile.

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

Sprawdź, czy dostępny jest model .tflite, którego będziesz używać do wnioskowania pakietu aplikacji.

Krok 2. Korzystanie z modelu

Swift

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "deeplabv3",
                                            ofType: "tflite") else { return }

let options = ImageSegmenterOptions(modelPath: modelPath)

// Configure any additional options:
// options.outputType = OutputType.confidenceMasks

let segmenter = try ImageSegmenter.segmenter(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: "plane.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let segmentationResult = try segmenter.segment(mlImage: mlImage)

Objective-C

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"deeplabv3" ofType:@"tflite"];

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

// Configure any additional options:
// options.outputType = TFLOutputTypeConfidenceMasks;

TFLImageSegmenter *segmenter = [TFLImageSegmenter imageSegmenterWithOptions:options
                                                                      error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"plane.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
TFLSegmentationResult *segmentationResult =
    [segmenter segmentWithGMLImage:gmlImage error:nil];

Zobacz źródło kod , aby uzyskać więcej opcji konfigurowania TFLImageSegmenter.

Uruchom wnioskowanie w Pythonie

Krok 1. Zainstaluj pakiet pip

pip install tflite-support

Krok 2. Korzystanie z modelu

# 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)
segmentation_options = processor.SegmentationOptions(
    output_type=processor.SegmentationOptions.output_type.CATEGORY_MASK)
options = vision.ImageSegmenterOptions(base_options=base_options, segmentation_options=segmentation_options)
segmenter = vision.ImageSegmenter.create_from_options(options)

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

# Run inference
image_file = vision.TensorImage.create_from_file(image_path)
segmentation_result = segmenter.segment(image_file)

Zobacz źródło kod , aby uzyskać więcej opcji konfigurowania ImageSegmenter.

Uruchom wnioskowanie w C++

// Initialization
ImageSegmenterOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageSegmenter> image_segmenter = ImageSegmenter::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 SegmentationResult result = image_segmenter->Segment(*frame_buffer).value();

Zobacz źródło kod , aby uzyskać więcej opcji konfigurowania ImageSegmenter.

Przykładowe wyniki

Oto przykład wyników segmentacji deeplab_v3, ogólny model segmentacji dostępny w TensorFlow Hub.

samolotem

Color Legend:
 (r: 000, g: 000, b: 000):
  index       : 0
  class name  : background
 (r: 128, g: 000, b: 000):
  index       : 1
  class name  : aeroplane

# (omitting multiple lines for conciseness) ...

 (r: 128, g: 192, b: 000):
  index       : 19
  class name  : train
 (r: 000, g: 064, b: 128):
  index       : 20
  class name  : tv
Tip: use a color picker on the output PNG file to inspect the output mask with
this legend.

Maska kategorii podziału na segmenty powinna wyglądać tak:

segmentation-output

Wypróbuj proste narzędzie demonstracyjne interfejsu wiersza poleceń dla: ImageSegmenter z własnym modelem i danymi testowymi.

Wymagania dotyczące zgodności z modelem

Interfejs API ImageSegmenter wymaga modelu TFLite z obowiązkowym modelem TFLite Metadane. Zobacz przykłady tworzenia metadanych obrazu segmentatorów za pomocą funkcji zapisu metadanych TensorFlow Lite Lite API.

Tensor obrazu wejściowego (kTfLiteUInt8/kTfLiteFloat32)
- plik do wprowadzania obrazu o rozmiarze [batch x height x width x channels].
- wnioskowanie wsadowe nie jest obsługiwane (wartość batch musi wynosić 1).
- obsługiwane są tylko wejścia RGB (channels musi mieć wartość 3).
- jeśli typ to kTfLiteFloat32, element NormalizationOptions musi mieć wartość do metadanych w celu normalizacji danych wejściowych.
Tensor masek wyjściowych: (kTfLiteUInt8/kTfLiteFloat32)
- tensor rozmiaru [batch x mask_height x mask_width x num_classes], gdzie Wartość batch musi wynosić 1, mask_width, a mask_height to wymiarów masek segmentacji tworzonych przez model oraz num_classes to liczba klas obsługiwanych przez model.
- opcjonalne (ale zalecane) mapy etykiet można załączyć jako Powiązane pliki typu TENSOR_AXIS_LABELS, zawierające po 1 etykiecie na . Pierwszy taki powiązany plik (jeśli istnieje) służy do wypełnienia pola label (o nazwie class_name w C++) wyników. display_name jest wypełniane z pola AssociatedFile (jeśli występuje), którego język zgodny z Pole display_names_locale z ImageSegmenterOptions wykorzystywane podczas czas utworzenia („en” – domyślnie „en”, czyli w języku angielskim). Jeśli żadna z tych opcji nie pasuje dostępne, zostanie wypełnione tylko pole index wyników.