การค้นหารูปภาพช่วยให้ค้นหารูปภาพที่คล้ายกันในฐานข้อมูลรูปภาพได้ ทั้งนี้ ทำงานโดยการฝังคำค้นหาลงในเวกเตอร์ที่มีมิติสูงซึ่งแสดงถึง ความหมายของคำค้นหา ตามด้วยการค้นหาความคล้ายคลึงกันในคำค้นหา ดัชนีที่กำหนดไว้ล่วงหน้า ดัชนีที่กำหนดเองโดยใช้ ScaNN (เพื่อนบ้านที่ใกล้เคียงที่สุดที่รองรับการปรับขนาด)
ตรงข้ามกับ การจำแนกประเภทรูปภาพ เพิ่มจำนวนรายการที่จดจำได้ไม่จำเป็นต้องมีการฝึกซ้ำ โมเดลทั้งหมด รายการใหม่สามารถเพิ่มเข้ามาได้ง่ายๆ เพียงสร้างดัชนีขึ้นมาใหม่ ยัง ช่วยให้ทำงานกับฐานข้อมูลรูปภาพขนาดใหญ่ (มากกว่า 100,000 รายการ) ได้
ใช้ API ของไลบรารีงาน ImageSearcher
เพื่อทำให้เครื่องมือค้นหารูปภาพที่กำหนดเองใช้งานได้
ในแอปบนอุปกรณ์เคลื่อนที่ของคุณ
คุณลักษณะที่สำคัญของ ImageSearcher API
จะนำรูปภาพเดียวเป็นอินพุต ดำเนินการดึงข้อมูลที่ฝัง และ ค้นหาเพื่อนบ้านที่ใกล้ที่สุดในดัชนี
การประมวลผลรูปภาพที่ป้อน รวมถึงการหมุน การปรับขนาด และพื้นที่สี Conversion
ภูมิภาคที่สนใจของรูปภาพอินพุต
ข้อกำหนดเบื้องต้น
ก่อนที่จะใช้ ImageSearcher
API คุณต้องสร้างดัชนีตาม
คลังข้อมูลภาพที่กำหนดเองที่จะค้นหา ซึ่งทำได้โดยใช้
Model Maker Searcher API
ด้วยการติดตามและปรับเปลี่ยน
บทแนะนำ
โดยคุณจะต้องมีสิ่งต่อไปนี้
- โมเดล TFLite รูปภาพแบบฝัง เช่น mobilenet v3 ดูโมเดลเครื่องมือฝังข้อมูลที่ฝึกไว้แล้วล่วงหน้า (หรือที่เรียกว่าโมเดลเวกเตอร์ฟีเจอร์) จาก คอลเล็กชัน Google Image Modules ใน Kaggle Models
- คลังรูปภาพของคุณ
หลังจากขั้นตอนนี้ คุณควรใช้โมเดลผู้ค้นหา TFLite แบบสแตนด์อโลน (เช่น
mobilenet_v3_searcher.tflite
) ซึ่งเป็นโมเดลเครื่องมือฝังรูปภาพดั้งเดิมที่มี
ดัชนีที่แนบมากับ
ข้อมูลเมตาของโมเดล TFLite
เรียกใช้การอนุมานใน Java
ขั้นตอนที่ 1: นำเข้าการอ้างอิง Gradle และการตั้งค่าอื่นๆ
คัดลอกไฟล์โมเดลของผู้ค้นหา .tflite
ไปยังไดเรกทอรี Asset ของ Android
โมดูลที่โมเดลจะทำงาน ระบุว่าไฟล์ไม่ควรเป็น
บีบอัดแล้วเพิ่มไลบรารี TensorFlow Lite ลงใน build.gradle
ของโมดูล
ไฟล์:
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'
}
ขั้นตอนที่ 2: การใช้โมเดล
// 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);
โปรดดู
ซอร์สโค้ดและ javadoc
เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher
เรียกใช้การอนุมานใน 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();
โปรดดู
ซอร์สโค้ด
เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher
เรียกใช้การอนุมานใน Python
ขั้นตอนที่ 1: ติดตั้งแพ็กเกจ Pypi Support ของ TensorFlow Lite
คุณสามารถติดตั้งแพ็กเกจ Pypi สนับสนุน TensorFlow Lite โดยใช้สิ่งต่อไปนี้ คำสั่ง:
pip install tflite-support
ขั้นตอนที่ 2: การใช้โมเดล
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)
โปรดดู
ซอร์สโค้ด
เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher
ตัวอย่างผลการแข่ง
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
ลองใช้ เครื่องมือสาธิต CLI สำหรับ ImageSearcher กับโมเดลและข้อมูลทดสอบของคุณเอง