Integrar segmentos de imagem

Os segmentadores de imagens preveem se cada pixel de uma imagem está associado a uma determinada classe. Isso contrasta com a detecção de objetos, que detecta objetos em regiões retangulares, e a classificação de imagens, que classifica a imagem geral. Consulte o exemplo de visão geral da segmentação de imagens para mais informações sobre segmentadores de imagens.

Use a API Task Library ImageSegmenter para implantar segmentadores de imagens personalizados ou pré-treinados nos seus apps móveis.

Principais recursos da API ImageSegmenter

  • Processamento de imagens de entrada, incluindo rotação, redimensionamento e conversão de espaço de cores.

  • Localidade do mapa de rótulos.

  • Dois tipos de saída: máscara de categoria e máscara de confiança.

  • Rótulo colorido para fins de exibição.

Modelos de segmentador de imagens compatíveis

Os modelos a seguir têm garantia de compatibilidade com a API ImageSegmenter.

Executar inferência em Java

Consulte o app de referência de segmentação de imagem para ver um exemplo de como usar ImageSegmenter em um app Android.

Etapa 1: importar a dependência do Gradle e outras configurações

Copie o arquivo de modelo .tflite para o diretório de recursos do módulo Android em que o modelo será executado. Especifique que o arquivo não deve ser compactado e 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: usar o modelo

// Initialization
ImageSegmenterOptions options =
    ImageSegmenterOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setOutputType(OutputType.CONFIDENCE_MASK)
        .build();
ImageSegmenter imageSegmenter =
    ImageSegmenter.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Segmentation> results = imageSegmenter.segment(image);

Consulte o código-fonte e o javadoc para mais opções de configuração do ImageSegmenter.

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 o guia de instalação do CocoaPods para instruções.

Consulte o guia do CocoaPods (em inglês) para saber como adicionar pods a um projeto do Xcode.

Adicione o pod TensorFlowLiteTaskVision ao Podfile.

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

Verifique se o modelo .tflite que você vai usar para inferência está presente no pacote do app.

Etapa 2: usar o modelo

Swift

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "deeplabv3",
                                            ofType: "tflite") else { return }

let options = ImageSegmenterOptions(modelPath: modelPath)

// Configure any additional options:
// options.outputType = OutputType.confidenceMasks

let segmenter = try ImageSegmenter.segmenter(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: "plane.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let segmentationResult = try segmenter.segment(mlImage: mlImage)

Objective-C

// Imports
#import <TensorFlowLiteTaskVision/TensorFlowLiteTaskVision.h>

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"deeplabv3" ofType:@"tflite"];

TFLImageSegmenterOptions *options =
    [[TFLImageSegmenterOptions alloc] initWithModelPath:modelPath];

// Configure any additional options:
// options.outputType = TFLOutputTypeConfidenceMasks;

TFLImageSegmenter *segmenter = [TFLImageSegmenter imageSegmenterWithOptions:options
                                                                      error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"plane.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
TFLSegmentationResult *segmentationResult =
    [segmenter segmentWithGMLImage:gmlImage error:nil];

Consulte o código-fonte para mais opções de configuração do TFLImageSegmenter.

Executar inferência em Python

Etapa 1: instalar o pacote pip

pip install tflite-support

Etapa 2: usar o 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)
segmentation_options = processor.SegmentationOptions(
    output_type=processor.SegmentationOptions.output_type.CATEGORY_MASK)
options = vision.ImageSegmenterOptions(base_options=base_options, segmentation_options=segmentation_options)
segmenter = vision.ImageSegmenter.create_from_options(options)

# Alternatively, you can create an image segmenter in the following manner:
# segmenter = vision.ImageSegmenter.create_from_file(model_path)

# Run inference
image_file = vision.TensorImage.create_from_file(image_path)
segmentation_result = segmenter.segment(image_file)

Consulte o código-fonte para mais opções de configuração do ImageSegmenter.

Executar inferência em C++

// Initialization
ImageSegmenterOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageSegmenter> image_segmenter = ImageSegmenter::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 SegmentationResult result = image_segmenter->Segment(*frame_buffer).value();

Consulte o código-fonte para mais opções de configuração do ImageSegmenter.

Resultados de exemplo

Confira um exemplo dos resultados da segmentação de deeplab_v3, um modelo de segmentação genérico disponível no TensorFlow Hub.

avião

Color Legend:
 (r: 000, g: 000, b: 000):
  index       : 0
  class name  : background
 (r: 128, g: 000, b: 000):
  index       : 1
  class name  : aeroplane

# (omitting multiple lines for conciseness) ...

 (r: 128, g: 192, b: 000):
  index       : 19
  class name  : train
 (r: 000, g: 064, b: 128):
  index       : 20
  class name  : tv
Tip: use a color picker on the output PNG file to inspect the output mask with
this legend.

A máscara de categoria de segmentação deve ser assim:

segmentation-output

Teste a ferramenta de demonstração da CLI simples para ImageSegmenter com seu próprio modelo e dados de teste.

Requisitos de compatibilidade de modelo

A API ImageSegmenter espera um modelo do TFLite com metadados do modelo do TFLite obrigatórios. Confira exemplos de como criar metadados para segmentadores de imagens usando a API TensorFlow Lite Metadata Writer.

  • 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 aceitas (channels precisa ser 3).
    • Se o tipo for kTfLiteFloat32, NormalizationOptions precisará ser anexado aos metadados para normalização de entrada.

  • Tensor de máscaras de saída: (kTfLiteUInt8/kTfLiteFloat32)

    • tensor de tamanho [batch x mask_height x mask_width x num_classes], em que batch precisa ser 1, mask_width e mask_height são as dimensões das máscaras de segmentação produzidas pelo modelo, e num_classes é o número de classes compatíveis com o modelo.
    • Mapas de identificadores opcionais (mas recomendados) podem ser anexados como AssociatedFile-s com o tipo TENSOR_AXIS_LABELS, contendo um identificador por linha. O primeiro AssociatedFile (se houver) é usado para preencher o campo label (chamado de class_name em C++) dos resultados. O campo display_name é preenchido com o AssociatedFile (se houver) cuja localidade corresponde ao campo display_names_locale do ImageSegmenterOptions usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo index dos resultados será preenchido.