Интегрируйте классификаторы изображений

Классификация изображений — распространённый способ применения машинного обучения для определения того, что представляет собой изображение. Например, нам может понадобиться узнать, какой вид животного изображён на данном изображении. Задача предсказания того, что представляет собой изображение, называется классификацией изображений . Классификатор изображений обучается распознавать различные классы изображений. Например, модель может быть обучена распознавать фотографии, представляющие три разных вида животных: кроликов, хомяков и собак. Подробнее о классификаторах изображений см. в примере классификации изображений.

Используйте API библиотеки задач ImageClassifier для развертывания собственных или предварительно обученных классификаторов изображений в мобильных приложениях.

Ключевые возможности API ImageClassifier

  • Обработка входных изображений, включая поворот, изменение размера и преобразование цветового пространства.

  • Интересующая область входного изображения.

  • Метка карты местоположения.

  • Пороговое значение для фильтрации результатов.

  • Результаты классификации Top-k.

  • Белый список и запрещенный список меток.

Поддерживаемые модели классификатора изображений

Следующие модели гарантированно совместимы с API ImageClassifier .

Выполнение вывода на Java

Пример использования ImageClassifier в приложении для Android см. в справочном приложении «Классификация изображений» .

Шаг 1: Импорт зависимости Gradle и других настроек

Скопируйте файл модели .tflite в каталог ресурсов модуля Android, где он будет запущен. Укажите, что файл не нужно сжимать, и добавьте библиотеку TensorFlow Lite в файл build.gradle модуля:

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'
}

Шаг 2: Использование модели 

// 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);

Дополнительные параметры настройки ImageClassifier см. в исходном коде и javadoc .

Выполнить вывод в iOS

Шаг 1: Установка зависимостей

Библиотека задач поддерживает установку с помощью CocoaPods. Убедитесь, что CocoaPods установлен в вашей системе. Инструкции см. в руководстве по установке CocoaPods .

Подробную информацию о добавлении модулей в проект Xcode см. в руководстве CocoaPods .

Добавьте модуль TensorFlowLiteTaskVision в файл Podfile.

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

Убедитесь, что модель .tflite , которую вы будете использовать для вывода, присутствует в вашем пакете приложения.

Шаг 2: Использование модели

Быстрый 

// 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];

Дополнительные параметры настройки TFLImageClassifier см. в исходном коде .

Выполнить вывод на Python

Шаг 1: Установка пакета pip 

pip install tflite-support

Шаг 2: Использование модели 

# 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)

Дополнительные параметры настройки ImageClassifier см. в исходном коде .

Выполнить вывод в 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();

Дополнительные параметры настройки ImageClassifier см. в исходном коде .

Примеры результатов

Вот пример результатов классификации классификатора птиц .

воробей

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

Попробуйте простой демонстрационный инструмент CLI для ImageClassifier с вашей собственной моделью и тестовыми данными.

Требования к совместимости моделей

API ImageClassifier ожидает модель TFLite с обязательными метаданными модели TFLite . См. примеры создания метаданных для классификаторов изображений с помощью API TensorFlow Lite Metadata Writer .

Совместимые модели классификаторов изображений должны соответствовать следующим требованиям:

  • Входной тензор изображения (kTfLiteUInt8/kTfLiteFloat32)

    • ввод изображения размером [batch x height x width x channels] .
    • вывод партии не поддерживается ( batch должна быть равна 1).
    • Поддерживаются только входы RGB (требуется 3 channels ).
    • если тип — kTfLiteFloat32, то для нормализации входных данных необходимо прикрепить NormalizationOptions к метаданным.

  • Выходной тензор оценок (kTfLiteUInt8/kTfLiteFloat32)

    • с N классами и 2 или 4 измерениями, т. е. [1 x N] или [1 x 1 x 1 x N]
    • Необязательные (но рекомендуемые) карты меток в виде AssociatedFile-ов с типом TENSOR_AXIS_LABELS, содержащие по одной метке на строку. См. пример файла меток . Первый такой AssociatedFile (если есть) используется для заполнения поля label (в C++ именуемого как class_name ) результатов. Поле display_name заполняется из AssociatedFile (если есть), локаль которого совпадает с полем display_names_locale параметра ImageClassifierOptions , используемого при создании (по умолчанию «en», т.е. английский). Если ни один из этих параметров недоступен, будет заполнено только поле index результатов.