Integracja wyszukiwarek obrazów

Wyszukiwanie obrazów umożliwia wyszukiwanie podobnych obrazów w bazie danych obrazów. Działa on poprzez osadzanie zapytania w wektorze o dużej liczbie wymiarów, który reprezentuje semantyczne znaczenie zapytania, a następnie wyszukiwanie podobieństw w predefiniowanym indeksie niestandardowym za pomocą algorytmu ScaNN (Scalable Nearest Neighbors).

W przeciwieństwie do klasyfikacji obrazów zwiększenie liczby rozpoznawanych elementów nie wymaga ponownego trenowania całego modelu. Nowe elementy można dodać, po prostu ponownie tworząc indeks. Umożliwia to też pracę z większymi bazami danych obrazów (zawierającymi ponad 100 tys. elementów).

Użyj interfejsu API biblioteki zadań ImageSearcher, aby wdrożyć własną wyszukiwarkę obrazów w aplikacjach mobilnych.

Kluczowe funkcje interfejsu ImageSearcher API

• Przyjmuje jako dane wejściowe pojedynczy obraz, wyodrębnia z niego wektor dystrybucyjny i przeprowadza w indeksie wyszukiwanie najbliższych sąsiadów.

• Przetwarzanie obrazu wejściowego, w tym obracanie, zmiana rozmiaru i konwersja przestrzeni kolorów.

• Obszar zainteresowań na obrazie wejściowym.

Wymagania wstępne

Przed użyciem interfejsu ImageSearcher API należy utworzyć indeks na podstawie niestandardowego korpusu obrazów, w którym będzie można wyszukiwać. Możesz to zrobić, korzystając z interfejsu Model Maker Searcher API. Wystarczy, że wykonasz czynności opisane w samouczku i dostosujesz je do swoich potrzeb.

W tym celu potrzebujesz:

• modelu osadzania obrazów TFLite, np. mobilenet v3. Więcej wstępnie wytrenowanych modeli wektorów dystrybucyjnych (czyli modeli wektorów cech) znajdziesz w kolekcji modułów Google Image w Kaggle.
  • korpus obrazów.

Po tym kroku powinieneś mieć samodzielny model wyszukiwarki TFLite (np.mobilenet_v3_searcher.tflite), który jest oryginalnym modelem osadzania obrazów z indeksem dołączonym do metadanych modelu TFLite.

Uruchamianie wnioskowania w Javie

Krok 1. Zaimportuj zależność Gradle i inne ustawienia

Skopiuj plik modelu wyszukiwarki .tflite do katalogu zasobów modułu Android, w którym będzie uruchamiany model. Określ, że plik nie powinien być skompresowany, i dodaj bibliotekę TensorFlow Lite do pliku build.gradle modułu:

android {
    // Other settings

    // Specify tflite index 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:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

Krok 2. Korzystanie z modelu

// Initialization
ImageSearcherOptions options =
    ImageSearcherOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setSearcherOptions(
            SearcherOptions.builder().setL2Normalize(true).build())
        .build();
ImageSearcher imageSearcher =
    ImageSearcher.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<NearestNeighbor> results = imageSearcher.search(image);

Więcej opcji konfigurowania ImageSearcher znajdziesz w kodzie źródłowym i dokumentacji Javadoc.

Uruchamianie wnioskowania w C++

// Initialization
ImageSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<ImageSearcher> image_searcher = ImageSearcher::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 SearchResult result = image_searcher->Search(*frame_buffer).value();

Więcej opcji konfigurowania ImageSearcher znajdziesz w kodzie źródłowym.

Uruchamianie wnioskowania w Pythonie

Krok 1. Zainstaluj pakiet TensorFlow Lite Support Pypi.

Pakiet TensorFlow Lite Support Pypi możesz zainstalować za pomocą tego polecenia:

pip install tflite-support

Krok 2. Korzystanie z modelu

from tflite_support.task import vision

# Initialization
image_searcher = vision.ImageSearcher.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_file)
result = image_searcher.search(image)

Więcej opcji konfigurowania ImageSearcher znajdziesz w kodzie źródłowym.

Przykładowe wyniki

Results:
 Rank#0:
  metadata: burger
  distance: 0.13452
 Rank#1:
  metadata: car
  distance: 1.81935
 Rank#2:
  metadata: bird
  distance: 1.96617
 Rank#3:
  metadata: dog
  distance: 2.05610
 Rank#4:
  metadata: cat
  distance: 2.06347

Wypróbuj proste narzędzie demonstracyjne interfejsu wiersza poleceń do wyszukiwarki obrazów z własnym modelem i danymi testowymi.