Integroni segmentuesit e imazhit

Segmentuesit e imazhit parashikojnë nëse çdo piksel i një imazhi është i lidhur me një klasë të caktuar. Kjo është në kontrast me zbulimin e objekteve, i cili zbulon objektet në rajone drejtkëndëshe dhe klasifikimin e imazhit, i cili klasifikon imazhin e përgjithshëm. Shihni shembullin e përmbledhjes së segmentimit të imazhit për më shumë informacion rreth segmentuesve të imazhit.

Përdorni API-në e Task Library ImageSegmenter për të vendosur segmentuesit tuaj të personalizuar të imazheve ose të trajnuar paraprakisht në aplikacionet tuaja celulare.

Karakteristikat kryesore të ImageSegmenter API

  • Përpunimi i imazhit në hyrje, duke përfshirë rrotullimin, ndryshimin e madhësisë dhe konvertimin e hapësirës së ngjyrave.

  • Vendndodhja e etiketës së hartës.

  • Dy lloje të daljes, maska ​​e kategorisë dhe maskat e besimit.

  • Etiketë me ngjyra për qëllime ekspozimi.

Modele të mbështetura të segmentuesit të imazhit

Modelet e mëposhtme janë të garantuara të jenë të pajtueshme me API- ImageSegmenter .

Ekzekutoni konkluzionet në Java

Shikoni aplikacionin e referencës "Image Segmentation" për një shembull se si të përdorni ImageSegmenter në një aplikacion Android.

Hapi 1: Importoni varësinë Gradle dhe cilësime të tjera

Kopjoni skedarin e modelit .tflite në drejtorinë e aseteve të modulit Android ku do të ekzekutohet modeli. Specifikoni që skedari të mos jetë i ngjeshur dhe shtoni bibliotekën TensorFlow Lite në skedarin build.gradle të modulit:

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'
}

Hapi 2: Përdorimi i modelit 

// 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);

Shikoni kodin burimor dhe javadoc për më shumë opsione për të konfiguruar ImageSegmenter .

Ekzekutoni konkluzionet në iOS

Hapi 1: Instaloni varësitë

Biblioteka e detyrave mbështet instalimin duke përdorur CocoaPods. Sigurohuni që CocoaPods të jetë i instaluar në sistemin tuaj. Ju lutemi shikoni udhëzuesin e instalimit të CocoaPods për udhëzime.

Ju lutemi shikoni udhëzuesin CocoaPods për detaje mbi shtimin e pods në një projekt Xcode.

Shtoni podin TensorFlowLiteTaskVision në Podfile.

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

Sigurohuni që modeli .tflite që do të përdorni për konkluzion është i pranishëm në paketën tuaj të aplikacionit.

Hapi 2: Përdorimi i modelit

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)

Objektivi-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];

Shihni kodin burimor për më shumë opsione për të konfiguruar TFLImageSegmenter .

Ekzekutoni konkluzionet në Python

Hapi 1: Instaloni paketën pip 

pip install tflite-support

Hapi 2: Përdorimi i modelit 

# 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)

Shikoni kodin burimor për më shumë opsione për të konfiguruar ImageSegmenter .

Ekzekutoni konkluzionet në 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();

Shikoni kodin burimor për më shumë opsione për të konfiguruar ImageSegmenter .

Shembuj të rezultateve

Këtu është një shembull i rezultateve të segmentimit të deeplab_v3 , një model i përgjithshëm segmentimi i disponueshëm në TensorFlow Hub.

aeroplan

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.

Maska e kategorisë së segmentimit duhet të duket si kjo:

segmentim-output

Provoni mjetin e thjeshtë demonstrues CLI për ImageSegmenter me modelin tuaj dhe të dhënat e testimit.

Kërkesat e përputhshmërisë së modelit

API ImageSegmenter pret një model TFLite me Metadata të detyrueshme të Modelit TFLite . Shihni shembuj të krijimit të meta të dhënave për segmentuesit e imazheve duke përdorur API-në e shkrimtarit metadata TensorFlow Lite .

  • Tenzori hyrës i imazhit (kTfLiteUInt8/kTfLiteFloat32)

    • futja e imazhit të madhësisë [batch x height x width x channels] .
    • konkluzioni i grupit nuk mbështetet (kërkohet që batch të jetë 1).
    • mbështeten vetëm hyrjet RGB ( channels duhet të jenë 3).
    • nëse lloji është kTfLiteFloat32, NormalizationOptions kërkohet t'i bashkëngjiten meta të dhënave për normalizimin e hyrjes.

  • Tenzori i maskave dalëse: (kTfLiteUInt8/kTfLiteFloat32)

    • tensori i madhësisë [batch x mask_height x mask_width x num_classes] , ku batch kërkohet të jetë 1, mask_width dhe mask_height janë dimensionet e maskave të segmentimit të prodhuara nga modeli, dhe num_classes është numri i klasave të mbështetura nga modeli.
    • Hartat e etiketës opsionale (por të rekomanduara) mund të bashkëngjiten si AssociatedFile-s me llojin TENSOR_AXIS_LABELS, që përmbajnë një etiketë për rresht. I pari i tillë AssociatedFile (nëse ka) përdoret për të mbushur fushën label (e emërtuar si class_name në C++) të rezultateve. Fusha display_name plotësohet nga AssociatedFile (nëse ka) vendndodhja e së cilës përputhet me fushën display_names_locale të ImageSegmenterOptions të përdorura në kohën e krijimit ("en" si parazgjedhje, dmth. anglisht). Nëse asnjëra nga këto nuk është e disponueshme, do të plotësohet vetëm fusha e index të rezultateve.