Conheça o LiteRT: o ambiente de execução de alto desempenho do Google para IA no dispositivo, antes conhecido como TensorFlow Lite.

Esta página foi traduzida pela API Cloud Translation.

Integrar classificadores de imagens

A classificação de imagens é um uso comum do machine learning para identificar imagem representa. Por exemplo, podemos querer saber que tipo de animal aparece em uma determinada imagem. A tarefa de prever o que uma imagem representa é chamada classificação de imagens. Um classificador de imagens é treinado para reconhecer vários classes de imagens. Por exemplo, um modelo pode ser treinado para reconhecer fotos representando três tipos diferentes de animais: coelhos, hamsters e cachorros. Consulte as exemplo de classificação de imagem para mais informações sobre classificadores de imagem.

Use a API Task Library ImageClassifier para implantar sua imagem personalizada ou pré-treinados nos seus apps para dispositivos móveis.

Principais recursos da API ImageClassifier

Processamento de imagens de entrada, incluindo rotação, redimensionamento e espaço de cores e conversão em massa.
Região de interesse da imagem de entrada.
Localidade do mapa do rótulo.
Limite de pontuação para filtrar os resultados.
Resultados da classificação Top-K.
Lista de permissões de rótulos e lista de bloqueio.

Modelos de classificador de imagens com suporte

Os modelos a seguir têm a garantia de compatibilidade com o ImageClassifier API.

Modelos criados pela TensorFlow Lite Model Maker para classificação de imagens.
A modelos de classificação de imagem pré-treinados no TensorFlow Hub.
Modelos criados pela Classificação de imagens do AutoML Vision Edge.
Modelos personalizados que atendem aos requisitos de compatibilidade do modelo.

Executar inferência em Java

Consulte a App de referência de classificação de imagens para conferir um exemplo de como usar ImageClassifier em um app Android.

Etapa 1: importar a dependência do Gradle e outras configurações

Copie o arquivo modelo .tflite para o diretório de assets do módulo Android. em que o modelo será executado. Especifique que o arquivo não deve ser compactado. Adicione a biblioteca do TensorFlow Lite ao arquivo build.gradle do 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'
}

Etapa 2: uso do 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);

Consulte a código-fonte e o javadoc (em inglês) para mais opções de configuração do ImageClassifier.

Executar inferência no iOS

Etapa 1: instalar as dependências

A biblioteca de tarefas oferece suporte à instalação usando o CocoaPods. Verifique se o CocoaPods está instalado no seu sistema. Consulte a Guia de instalação do CocoaPods para obter instruções.

Consulte a Guia de CocoaPods para detalhes sobre como adicionar pods a um projeto do Xcode.

Adicione o pod TensorFlowLiteTaskVision ao Podfile.

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

O modelo .tflite que você vai usar para inferência precisa estar presente seu pacote de apps.

Etapa 2: uso do 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];

Consulte a código-fonte para mais opções de configuração do TFLImageClassifier.

Executar inferência em Python

Etapa 1: instalar o pacote pip

pip install tflite-support

Etapa 2: uso do 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)

Consulte a código-fonte para mais opções de configuração do ImageClassifier.

Executar inferência em 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();

Consulte a código-fonte para mais opções de configuração do ImageClassifier.

Resultados de exemplo

Este é um exemplo dos resultados da classificação classificador bird.

pardal

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

Teste a funcionalidade Ferramenta de demonstração da CLI para ImageClassifier com seu próprio modelo e dados de teste.

Requisitos de compatibilidade do modelo

A API ImageClassifier espera um modelo TFLite com valores obrigatórios Metadados de modelo do TFLite. Veja exemplos de criação de metadados para classificadores de imagem usando o API TensorFlow Lite Metadata Writer

Os modelos de classificador de imagem compatíveis precisam atender aos seguintes requisitos:

Tensor de imagem de entrada (kTfLiteUInt8/kTfLiteFloat32)
- entrada de imagem de tamanho [batch x height x width x channels].
- A inferência em lote não é compatível (batch precisa ser 1).
- somente entradas RGB são compatíveis (channels precisa ser 3).
- se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexada aos metadados para normalização de entrada.
Tensor de pontuação de saída (kTfLiteUInt8/kTfLiteFloat32)
- com classes N e duas ou quatro dimensões, ou seja, [1 x N] ou [1 x 1 x 1 x N]
- mapa (s) de rótulo opcional(mas recomendado) como AssociatedFile-s com tipo TENSOR_AXIS_LABELS, contendo um rótulo por linha. Consulte a exemplo de arquivo de rótulo. O primeiro AssociatedFile (se houver) é usado para preencher o campo label. (nomeado como class_name em C++) dos resultados. O campo display_name é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao Campo display_names_locale do ImageClassifierOptions usado em hora de criação ("en" por padrão, isto é, inglês). Se nenhuma delas for disponível, apenas o campo index dos resultados será preenchido.