Integra clasificadores de imágenes

La clasificación de imágenes es un uso común del aprendizaje automático para identificar lo que representa una imagen. Por ejemplo, es posible que queramos saber qué tipo de animal aparece en una imagen determinada. La tarea de predecir lo que representa una imagen se denomina clasificación de imágenes. Se entrena un clasificador de imágenes para reconocer varias clases de imágenes. Por ejemplo, se podría entrenar un modelo para reconocer fotos que representen tres tipos diferentes de animales: conejos, hámsteres y perros. Consulta el ejemplo de clasificación de imágenes para obtener más información sobre los clasificadores de imágenes.

Usa la API de Task Library ImageClassifier para implementar clasificadores de imágenes personalizados o preentrenados en tus apps para dispositivos móviles.

Funciones clave de la API de ImageClassifier

Procesamiento de imágenes de entrada, incluida la rotación, el cambio de tamaño y la conversión del espacio de color
Región de interés de la imagen de entrada.
Es la configuración regional del mapa de etiquetas.
Es el umbral de puntuación para filtrar los resultados.
Son los resultados de clasificación de los primeros k.
Listas de entidades permitidas y denegadas de etiquetas

Modelos de clasificadores de imágenes compatibles

Se garantiza que los siguientes modelos son compatibles con la API de ImageClassifier.

Modelos creados por TensorFlow Lite Model Maker para la clasificación de imágenes.
Los modelos de clasificación de imágenes previamente entrenados en TensorFlow Hub
Modelos creados por AutoML Vision Edge Image Classification.
Modelos personalizados que cumplen con los requisitos de compatibilidad del modelo.

Ejecuta la inferencia en Java

Consulta la app de referencia de clasificación de imágenes para ver un ejemplo de cómo usar ImageClassifier en una app para Android.

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

Copia el archivo del modelo .tflite en el directorio de recursos del módulo de Android en el que se ejecutará el modelo. Especifica que el archivo no se debe comprimir y 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: Cómo usar el modelo

// Initialization
ImageClassifierOptions options =
    ImageClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ImageClassifier imageClassifier =
    ImageClassifier.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Classifications> results = imageClassifier.classify(image);

Consulta el código fuente y el Javadoc para obtener más opciones para configurar ImageClassifier.

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 obtener detalles sobre cómo agregar pods a un proyecto de Xcode.

Agrega el pod de 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 el paquete de tu app.

Paso 2: Cómo usar el modelo

Swift

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "birds_V1",
                                            ofType: "tflite") else { return }

let options = ImageClassifierOptions(modelPath: modelPath)

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

let classifier = try ImageClassifier.classifier(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: "sparrow.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let classificationResults = try classifier.classify(mlImage: mlImage)

Objective-C

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"birds_V1" ofType:@"tflite"];

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

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

TFLImageClassifier *classifier = [TFLImageClassifier imageClassifierWithOptions:options
                                                                          error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"sparrow.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
TFLClassificationResult *classificationResult =
    [classifier classifyWithGMLImage:gmlImage error:nil];

Consulta el código fuente para obtener más opciones para configurar TFLImageClassifier.

Ejecuta la inferencia en Python

Paso 1: Instala el paquete pip

pip install tflite-support

Paso 2: Cómo usar 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)
classification_options = processor.ClassificationOptions(max_results=2)
options = vision.ImageClassifierOptions(base_options=base_options, classification_options=classification_options)
classifier = vision.ImageClassifier.create_from_options(options)

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

# Run inference
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

Consulta el código fuente para obtener más opciones para configurar ImageClassifier.

Ejecuta la inferencia en C++

// Initialization
ImageClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::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 ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

Consulta el código fuente para obtener más opciones para configurar ImageClassifier.

Resultados de ejemplo

Este es un ejemplo de los resultados de clasificación de un clasificador de aves.

gorrión

Results:
  Rank #0:
   index       : 671
   score       : 0.91406
   class name  : /m/01bwb9
   display name: Passer domesticus
  Rank #1:
   index       : 670
   score       : 0.00391
   class name  : /m/01bwbt
   display name: Passer montanus
  Rank #2:
   index       : 495
   score       : 0.00391
   class name  : /m/0bwm6m
   display name: Passer italiae

Prueba la sencilla herramienta de demostración de la CLI para ImageClassifier con tu propio modelo y datos de prueba.

Requisitos de compatibilidad del modelo

La API de ImageClassifier espera un modelo de TFLite con metadatos del modelo de TFLite obligatorios. Consulta ejemplos de cómo crear metadatos para clasificadores de imágenes con la API de TensorFlow Lite Metadata Writer.

Los modelos de clasificación de imágenes 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 (batch debe ser 1).
- Solo se admiten entradas RGB (channels debe ser 3).
- Si el tipo es kTfLiteFloat32, se requiere que NormalizationOptions se adjunte a los metadatos para la normalización de la entrada.
Tensor de puntuación de salida (kTfLiteUInt8/kTfLiteFloat32)
- con clases N y 2 o 4 dimensiones, es decir, [1 x N] o [1 x 1 x 1 x N]
- Mapas de etiquetas opcionales (pero recomendados) como AssociatedFile-s con el tipo TENSOR_AXIS_LABELS, que contienen una etiqueta por línea. Consulta el archivo de etiquetas de ejemplo. El primer AssociatedFile de este tipo (si existe) se usa para completar el campo label (denominado class_name en C++) de los resultados. El campo display_name se completa con el valor de AssociatedFile (si existe) cuya configuración regional coincide con el campo display_names_locale del objeto ImageClassifierOptions que se usó en el momento de la creación ("en" de forma predeterminada, es decir, inglés). Si no hay ninguno disponible, solo se completará el campo index de los resultados.