Интегрируйте детекторы объектов

Детекторы объектов могут определять, какие из известного набора объектов могут присутствовать на изображении или в видеопотоке, и предоставлять информацию об их положении на данном изображении или в видеопотоке. Детектор объектов обучается обнаруживать наличие и местоположение объектов нескольких классов. Например, модель может быть обучена на изображениях, содержащих различные фрукты, вместе с меткой , указывающей класс фруктов, которые они представляют (например, яблоко, банан или клубника), и данными, указывающими местонахождение каждого объекта на изображении. Подробнее о детекторах объектов см. в примере обнаружения объектов.

Используйте API ObjectDetector библиотеки задач для развертывания собственных или предварительно обученных детекторов объектов в мобильных приложениях.

Основные возможности API ObjectDetector

  • Обработка входных изображений, включая поворот, изменение размера и преобразование цветового пространства.

  • Метка карты местоположения.

  • Пороговое значение для фильтрации результатов.

  • Результаты обнаружения Top-k.

  • Белый список и запрещенный список меток.

Поддерживаемые модели детекторов объектов

Следующие модели гарантированно совместимы с API ObjectDetector .

Выполнение вывода на Java

Пример использования ObjectDetector в приложении для Android см. в справочном приложении Object Detector .

Шаг 1: Импорт зависимости Gradle и других настроек

Скопируйте файл модели .tflite в каталог ресурсов модуля Android, где он будет запущен. Укажите, что файл не нужно сжимать, и добавьте библиотеку TensorFlow Lite в файл build.gradle модуля:

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'
}

Шаг 2: Использование модели 

// Initialization
ObjectDetectorOptions options =
    ObjectDetectorOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ObjectDetector objectDetector =
    ObjectDetector.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Detection> results = objectDetector.detect(image);

Дополнительные параметры настройки ObjectDetector см. в исходном коде и javadoc .

Выполнить вывод в iOS

Шаг 1: Установка зависимостей

Библиотека задач поддерживает установку с помощью CocoaPods. Убедитесь, что CocoaPods установлен в вашей системе. Инструкции см. в руководстве по установке CocoaPods .

Подробную информацию о добавлении модулей в проект Xcode см. в руководстве CocoaPods .

Добавьте модуль TensorFlowLiteTaskVision в файл Podfile.

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

Убедитесь, что модель .tflite , которую вы будете использовать для вывода, присутствует в вашем пакете приложения.

Шаг 2: Использование модели

Быстрый 

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "ssd_mobilenet_v1",
                                            ofType: "tflite") else { return }

let options = ObjectDetectorOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let detector = try ObjectDetector.detector(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: "cats_and_dogs.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let detectionResult = try detector.detect(mlImage: mlImage)

Objective-C 

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"ssd_mobilenet_v1" ofType:@"tflite"];

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

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLObjectDetector *detector = [TFLObjectDetector objectDetectorWithOptions:options
                                                                     error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"dogs.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
TFLDetectionResult *detectionResult = [detector detectWithGMLImage:gmlImage error:nil];

Дополнительные параметры настройки TFLObjectDetector см. в исходном коде .

Выполнить вывод на Python

Шаг 1: Установка пакета pip 

pip install tflite-support

Шаг 2: Использование модели 

# 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)
detection_options = processor.DetectionOptions(max_results=2)
options = vision.ObjectDetectorOptions(base_options=base_options, detection_options=detection_options)
detector = vision.ObjectDetector.create_from_options(options)

# Alternatively, you can create an object detector in the following manner:
# detector = vision.ObjectDetector.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
detection_result = detector.detect(image)

Дополнительные параметры настройки ObjectDetector см. в исходном коде .

Выполнить вывод в C++ 

// Initialization
ObjectDetectorOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ObjectDetector> object_detector = ObjectDetector::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 DetectionResult result = object_detector->Detect(*frame_buffer).value();

Дополнительные параметры настройки ObjectDetector см. в исходном коде .

Примеры результатов

Вот пример результатов обнаружения ssd mobilenet v1 от TensorFlow Hub.

собаки

Results:
 Detection #0 (red):
  Box: (x: 355, y: 133, w: 190, h: 206)
  Top-1 class:
   index       : 17
   score       : 0.73828
   class name  : dog
 Detection #1 (green):
  Box: (x: 103, y: 15, w: 138, h: 369)
  Top-1 class:
   index       : 17
   score       : 0.73047
   class name  : dog

Визуализируйте ограничивающие рамки на входном изображении:

выход обнаружения

Попробуйте простой демонстрационный инструмент CLI для ObjectDetector с вашей собственной моделью и тестовыми данными.

Требования к совместимости моделей

API ObjectDetector ожидает модель TFLite с обязательными метаданными модели TFLite . См. примеры создания метаданных для детекторов объектов с помощью API TensorFlow Lite Metadata Writer .

Совместимые модели детекторов объектов должны соответствовать следующим требованиям:

  • Входной тензор изображения: (kTfLiteUInt8/kTfLiteFloat32)

    • ввод изображения размером [batch x height x width x channels] .
    • вывод партии не поддерживается ( batch должна быть равна 1).
    • Поддерживаются только входы RGB (требуется 3 channels ).
    • если тип — kTfLiteFloat32, то для нормализации входных данных необходимо прикрепить NormalizationOptions к метаданным.

  • Выходные тензоры должны быть 4 выходами операции DetectionPostProcess , то есть:

    • Тензор местоположений (kTfLiteFloat32)
    • тензор размером [1 x num_results x 4] , внутренний массив, представляющий ограничивающие рамки в форме [верх, лево, право, низ].
    • Свойства BoundingBoxProperties должны быть прикреплены к метаданным и должны указывать type=BOUNDARIES и `coordinate_type=RATIO.

    • Тензор классов (kTfLiteFloat32)

    • тензор размером [1 x num_results] , каждое значение которого представляет собой целочисленный индекс класса.

    • Необязательно (но рекомендуется) прикреплять карты меток как AssociatedFile-ы с типом TENSOR_VALUE_LABELS, содержащие по одной метке на строку. См. пример файла меток . Первый такой AssociatedFile (если есть) используется для заполнения поля class_name результатов. Поле display_name заполняется из AssociatedFile (если есть), локаль которого совпадает с полем display_names_locale параметра ObjectDetectorOptions используемого при создании (по умолчанию «en», т.е. английский). Если ни один из этих параметров недоступен, будет заполнено только поле index результатов.

    • Тензор оценок (kTfLiteFloat32)

    • Тензор размером [1 x num_results] , каждое значение которого представляет оценку обнаруженного объекта.

    • Номер тензора обнаружения (kTfLiteFloat32)

    • целое число num_results как тензор размера [1] .