集成图像分割器

图片分割器可预测图片的每个像素是否特定类别。这与对象检测不同，对象检测用于检测矩形区域和图像分类，图片。请参阅图片分割概览示例详细了解图片分割器。

使用 Task Library ImageSegmenter API 部署自定义图片分割器或预训练的应用导入您的移动应用中。

ImageSegmenter API 的主要功能

输入图像处理，包括旋转、调整大小和颜色空间。
标记地图语言区域。
两种输出类型：类别掩码和置信度掩码。
用于显示目的的彩色标签。

支持的图片分割器模型

以下模型保证与 ImageSegmenter兼容 API。

TensorFlow 中的预训练图像分割模型 Hub。
符合模型兼容性要求的自定义模型要求。

使用 Java 运行推理

请参阅图片分割参考应用查看如何在 Android 应用中使用 ImageSegmenter 的示例。

第 1 步：导入 Gradle 依赖项和其他设置

将 .tflite 模型文件复制到 Android 模块的 assets 目录中将运行模型的位置。指定不应压缩该文件，并且将 TensorFlow Lite 库添加到模块的 build.gradle 文件中：

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'
}

第 2 步：使用模型

// 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);

请参阅源代码和 javadoc 了解用于配置 ImageSegmenter 的更多选项。

在 iOS 中运行推断

第 1 步：安装依赖项

Task 库支持使用 CocoaPods 进行安装。确保 CocoaPods 。请参阅 CocoaPods 安装指南了解相关说明。

请参阅 CocoaPods 指南，详细了解将 Pod 添加到 Xcode 项目

在 Podfile 中添加 TensorFlowLiteTaskVision Pod。

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

确保用于推理的 .tflite 模型在以下文件中： app bundle。

第 2 步：使用模型

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];

请参阅源代码代码了解用于配置 TFLImageSegmenter 的更多选项。

在 Python 中运行推理

第 1 步：安装 pip 软件包

pip install tflite-support

第 2 步：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)
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)

请参阅源代码代码了解用于配置 ImageSegmenter 的更多选项。

使用 C++ 运行推理

// 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();

请参阅源代码代码了解用于配置 ImageSegmenter 的更多选项。

示例结果

以下为的细分结果示例 deeplab_v3、 TensorFlow Hub 上提供的通用分割模型。

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.

细分类别掩码应如下所示：

segmentation-output

试用简单的 CLI 演示工具 ImageSegmenter 模型和测试数据。

模型兼容性要求

ImageSegmenter API 需要一个具有强制性 TFLite 模型的 TFLite 模型元数据。查看为图片创建元数据的示例使用 TensorFlow Lite Metadata Writer 的分割器 API。

输入图像张量 (kTfLiteUInt8/kTfLiteFloat32)
- 图片输入（大小为 [batch x height x width x channels]）。
- 不支持批量推理（batch 必须为 1）。
- 仅支持 RGB 输入（channels 必须为 3）。
- 如果类型为 kTfLiteFloat32，则需要 NormalizationOptions 附加至元数据以进行输入标准化。
输出遮盖张量：(kTfLiteUInt8/kTfLiteFloat32)
- 大小为 [batch x mask_height x mask_width x num_classes] 的张量，其中 batch 必须为 1，mask_width 和 mask_height 是模型生成的分割掩码的维度，以及 num_classes 是模型支持的类数量。
- 可选（但建议使用）标签映射作为类型为 TENSOR_AXIS_LABELS 的 AssociatedFile-s，每个标签包含一个标签行。第一个这样的 AssociatedFile（如果有）用于填充 label 字段（在 C++ 中命名为 class_name）。display_name 字段将通过语言区域与 ImageSegmenterOptions 的“display_names_locale”字段，在创建时间（默认为“en”，即英语）。如果以上两种情况均不适用可用，系统只会填充结果的 index 字段。