Obtén más información sobre nuestros anuncios de Google AI Edge de I/O.

Se usó la API de Cloud Translation para traducir esta página.

Integra detectores de objetos

Los detectores de objetos pueden identificar cuál de un conjunto conocido de objetos podría estar presente. y proporcionar información sobre sus posiciones dentro de una imagen o un video determinados en tiempo real. Un detector de objetos se entrena para detectar la presencia y ubicación de varias clases de objetos. Por ejemplo, un modelo se puede entrenar con imágenes que contienen varias frutas, junto con una etiqueta que especifica la clase de fruta que representan (p.ej., una manzana, un plátano o una fresa) y datos que especifican en qué parte de la imagen aparece cada objeto. Consulta la ejemplo de detección de objetos para obtener más información sobre los detectores de objetos.

Usa la API de ObjectDetector de la Biblioteca de tareas para implementar tus detectores de objetos personalizados o previamente entrenadas en tus apps para dispositivos móviles.

Funciones clave de la API de ObjectDetector

Procesamiento de imágenes de entrada, incluidos la rotación, el cambio de tamaño y el espacio de color conversión.
Etiqueta la configuración regional del mapa.
Umbral de puntuación para filtrar los resultados.
Resultados de detección de Top-K.
Lista de entidades permitidas y listas de bloqueo de etiquetas.

Modelos de detector de objetos compatibles

Se garantiza la compatibilidad de los siguientes modelos con ObjectDetector en la API de Cloud.

El modelos de detección de objetos previamente entrenados en TensorFlow Hub.
Modelos creados por Detección de objetos de AutoML Vision Edge.
Modelos creados por TensorFlow Lite Model Maker para el detector de objetos
Los modelos personalizados que cumplen con los requisitos de compatibilidad del modelo.

Ejecuta inferencias en Java

Consulta la App de referencia de detección de objetos a fin de ver un ejemplo de cómo usar ObjectDetector en una app para Android.

Paso 1: Importa la dependencia de Gradle y otros parámetros de configuración

Copia el archivo de modelo .tflite en el directorio de recursos del módulo de Android. en la que se ejecutará el modelo. Especificar que el archivo no debe comprimirse agrega la biblioteca de TensorFlow Lite al archivo build.gradle del módulo:

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'
}

Paso 2: Usa el modelo

// Initialization
ObjectDetectorOptions options =
    ObjectDetectorOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ObjectDetector objectDetector =
    ObjectDetector.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Detection> results = objectDetector.detect(image);

Consulta la código fuente y javadoc si quieres obtener más opciones para configurar ObjectDetector.

Ejecuta la inferencia en iOS

Paso 1: Instala las dependencias

La Biblioteca de tareas admite la instalación con CocoaPods. Asegúrate de que CocoaPods esté instalado en tu sistema. Consulta la Guía de instalación de CocoaPods para obtener instrucciones.

Consulta la Guía de CocoaPods para detalles sobre cómo agregar Pods a un proyecto Xcode.

Agrega el Pod TensorFlowLiteTaskVision en el Podfile.

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

Asegúrate de que el modelo .tflite que usarás para la inferencia esté presente en tu paquete de aplicación.

Paso 2: Usa el modelo

Swift

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "ssd_mobilenet_v1",
                                            ofType: "tflite") else { return }

let options = ObjectDetectorOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let detector = try ObjectDetector.detector(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: "cats_and_dogs.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let detectionResult = try detector.detect(mlImage: mlImage)

Objective-C

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"ssd_mobilenet_v1" ofType:@"tflite"];

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

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLObjectDetector *detector = [TFLObjectDetector objectDetectorWithOptions:options
                                                                     error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"dogs.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
TFLDetectionResult *detectionResult = [detector detectWithGMLImage:gmlImage error:nil];

Consulta la código fuente si quieres obtener más opciones para configurar TFLObjectDetector.

Ejecuta la inferencia en Python

Paso 1: Instala el paquete pip

pip install tflite-support

Paso 2: Usa el modelo

# 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)
detection_options = processor.DetectionOptions(max_results=2)
options = vision.ObjectDetectorOptions(base_options=base_options, detection_options=detection_options)
detector = vision.ObjectDetector.create_from_options(options)

# Alternatively, you can create an object detector in the following manner:
# detector = vision.ObjectDetector.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
detection_result = detector.detect(image)

Consulta la código fuente si quieres obtener más opciones para configurar ObjectDetector.

Ejecuta inferencias en C++

// Initialization
ObjectDetectorOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ObjectDetector> object_detector = ObjectDetector::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 DetectionResult result = object_detector->Detect(*frame_buffer).value();

Consulta la código fuente si quieres obtener más opciones para configurar ObjectDetector.

Resultados de ejemplo

Este es un ejemplo de los resultados de la detección de ssd mobilenet v1 desde TensorFlow Hub.

dogs

Results:
 Detection #0 (red):
  Box: (x: 355, y: 133, w: 190, h: 206)
  Top-1 class:
   index       : 17
   score       : 0.73828
   class name  : dog
 Detection #1 (green):
  Box: (x: 103, y: 15, w: 138, h: 369)
  Top-1 class:
   index       : 17
   score       : 0.73047
   class name  : dog

Renderiza los cuadros delimitadores en la imagen de entrada:

resultado de detección

Prueba lo sencillo Herramienta de demostración de la CLI para ObjectDetector con tu propio modelo y datos de prueba.

Requisitos de compatibilidad del modelo

La API de ObjectDetector espera un modelo TFLite con Metadatos del modelo de TFLite. Ver ejemplos de creación metadatos para detectores de objetos con el API de TensorFlow Lite Metadata Writer

Los modelos de detector de objetos compatibles deben cumplir con los siguientes requisitos:

Tensor de imagen de entrada: (kTfLiteUInt8/kTfLiteFloat32)
- entrada de imagen de tamaño [batch x height x width x channels].
- no se admite la inferencia por lotes (se requiere que batch sea 1).
- Solo se admiten entradas RGB (se requiere que channels sea 3).
- si el tipo es kTfLiteFloat32, NormalizationOptions debe se adjuntan a los metadatos para la normalización de entrada.
Los tensores de salida deben ser las 4 salidas de una op DetectionPostProcess, es decir:
- Tensor de ubicaciones (kTfLiteFloat32)
  - tensor de tamaño [1 x num_results x 4], el array interno representa cuadros delimitadores en el formato [superior, izquierda, derecha, inferior].
  - Se requiere que se adjunte BoundingBoxProperties a los metadatos y debe especificar type=BOUNDARIES y `Coordina_type=RATIO.
- Tensor de clases (kTfLiteFloat32)
  - tensor de tamaño [1 x num_results], cada valor representa el entero de una clase.
  - se pueden adjuntar mapas de etiquetas opcionales (pero recomendados) como AssociatedFiles con el tipo TENSOR_VALUE_LABELS, que contiene una etiqueta por línea. Consulta la ejemplo de archivo de etiqueta. El primer archivo AssociatedFile (si lo hubiera) se usa para completar el class_name de los resultados. El campo display_name tiene las siguientes características: completado desde el AssociatedFile (si corresponde) cuya configuración regional coincida con Campo display_names_locale de la ObjectDetectorOptions utilizada en “en” (“en”) de forma predeterminada, es decir, en inglés. Si ninguna de estas opciones es disponible, solo se completará el campo index de los resultados.
- Asigna puntuaciones al tensor (kTfLiteFloat32)
  - tensor de tamaño [1 x num_results], cada valor representa el del objeto detectado.
- Cantidad de tensores de detección (kTfLiteFloat32)
  - Número entero num_results como un tensor de tamaño [1].