圖片分類是機器學習的常見用途 圖片呈現方式舉例來說，我們可能會想知道 出現的動物類型 指定相片中的人物這項任務是指預測圖片所代表的意義 圖片分類。圖片分類器經過訓練，可辨識各種 圖片種類。舉例來說，我們可能會用經過訓練的模型 代表三種不同的動物：兔子、倉鼠和狗。詳情請見 這個 圖片分類範例 ，進一步瞭解圖片分類器
使用工作程式庫 ImageClassifier API 部署自訂映像檔
將分類器或預先訓練的分類器納入行動應用程式
ImageClassifier API 的主要功能
輸入圖片處理作業，包括旋轉、調整大小和色域 轉換率
輸入圖片的搜尋目標區域。
標籤對應語言代碼。
用來篩選結果的分數門檻。
「前 K 個」分類結果。
標籤許可清單和拒絕清單。
支援的圖片分類器模型
下列型號保證與 ImageClassifier 相容
也能使用 Google Cloud CLI 或
Compute Engine API
由 建立的模型 適用於圖片分類的 TensorFlow Lite Model Maker。
由 建立的模型 AutoML Vision Edge 圖片分類。
符合 模型相容性需求。
在 Java 中執行推論
詳情請參閱
圖片分類參考應用程式
查看範例，瞭解如何在 Android 應用程式中使用 ImageClassifier。
步驟 1：匯入 Gradle 依附元件和其他設定
將 .tflite 模型檔案複製到 Android 模組的資產目錄
以便訓練模型指定不要壓縮檔案，且
將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案：
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'
}
步驟 2：使用模型
// 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);
詳情請參閱
原始碼和 javadoc
取得更多設定 ImageClassifier 的選項。
在 iOS 中執行推論
步驟 1：安裝依附元件
工作程式庫支援使用 CocoaPods 進行安裝。確認 CocoaPods 會在您的系統上安裝。詳情請參閱 CocoaPods 安裝指南 一文。
詳情請參閱 CocoaPods 指南 如何在 Xcode 專案中新增 Pod
在 Podfile 中新增 TensorFlowLiteTaskVision Pod。
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
確認您要用於推論的 .tflite 模型出現在
您的應用程式套件。
步驟 2：使用模型
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];
詳情請參閱
原始碼
取得更多設定 TFLImageClassifier 的選項。
在 Python 中執行推論
步驟 1：安裝 pip 套件
pip install tflite-support
步驟 2：使用模型
# 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)
詳情請參閱
原始碼
取得更多設定 ImageClassifier 的選項。
在 C++ 中執行推論
// 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();
詳情請參閱
原始碼
取得更多設定 ImageClassifier 的選項。
搜尋結果範例
這個例子是 鳥分類器。
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
試試簡易設計 ImageClassifier 的 CLI 示範工具 使用自己的模型與測試資料
模型相容性需求
ImageClassifier API 預期的 TFLite 模型必須具有
TFLite 模型中繼資料。
查看使用
TensorFlow Lite Metadata Writer API。
相容的圖片分類器模型必須符合下列規定：
輸入圖片張量 (kTfLiteUInt8/kTfLiteFloat32)
- 輸入大小為
[batch x height x width x channels]的圖片。 - 不支援批次推論 (
batch須為 1)。 - 僅支援 RGB 輸入 (
channels必須為 3)。 - 如果型別是 kTfLiteFloat32，就必須使用正規化選項 附加於中繼資料，以便進行輸入正規化
- 輸入大小為
輸出分數張量 (kTfLiteUInt8/kTfLiteFloat32)
- 含有
N類別和 2 或 4 個維度，即[1 x N]或[1 x 1 x 1 x N] - 選用 (但建議使用) 將對應標籤對應為 AssociatedFile-s 和 type
TENSOR_AXIS_LABELS，每行一個標籤。詳情請參閱
標籤檔案範例。
這個 AssociatedFile (如有) 會填入
label欄位 (在 C++ 中稱為class_name) 的結果。display_name欄位 填入關聯檔案 (如有)，其語言代碼符合 使用的ImageClassifierOptions的display_names_locale欄位 建立時間 (預設為「en」，例如英文)。如果這些都不是 可用，只有結果的index欄位會填入內容。
- 含有