Integrar detectores de objetos

Os detectores de objetos podem identificar quais objetos de um conjunto conhecido podem estar presentes e fornecem informações sobre suas posições na imagem ou em um vídeo riacho. Um detector de objetos é treinado para detectar a presença e a localização várias classes de objetos. Por exemplo, um modelo pode ser treinado com imagens que contêm vários pedaços de fruta, junto com um rótulo que especifica o classe de fruta que representam (por exemplo, uma maçã, uma banana ou um morango) e dados que especificam onde cada objeto aparece na imagem. Consulte a exemplo de detecção de objetos para mais informações sobre detectores de objetos.

Use a API Task Library ObjectDetector para implantar seus detectores de objetos personalizados ou pré-treinados aos seus apps para dispositivos móveis.

Principais recursos da API ObjectDetector

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

  • Localidade do mapa do rótulo.

  • Limite de pontuação para filtrar os resultados.

  • Resultados da detecção do Top-K.

  • Lista de permissões de rótulos e lista de bloqueio.

Modelos de detector de objetos compatíveis

Os modelos a seguir têm a garantia de compatibilidade com o ObjectDetector API.

Executar inferência em Java

Consulte a App de referência de detecção de objetos para conferir um exemplo de como usar ObjectDetector em um app Android.

Etapa 1: importar a dependência do Gradle e outras configurações

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

// 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);

Consulte a código-fonte e o javadoc (em inglês) para mais opções de configuração do ObjectDetector.

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 a Guia de instalação do CocoaPods para obter instruções.

Consulte a Guia de CocoaPods para detalhes sobre como adicionar pods a um projeto do Xcode.

Adicione o pod TensorFlowLiteTaskVision ao Podfile.

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

O modelo .tflite que você vai usar para inferência precisa estar presente seu pacote de apps.

Etapa 2: uso do modelo

Swift

// 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];

Consulte a código-fonte para mais opções de configuração do TFLObjectDetector.

Executar inferência em Python

Etapa 1: instalar o pacote pip

pip install tflite-support

Etapa 2: uso do 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)
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)

Consulte a código-fonte para mais opções de configuração do ObjectDetector.

Executar inferência em 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();

Consulte a código-fonte para mais opções de configuração do ObjectDetector.

Resultados de exemplo

Este é um exemplo dos resultados da detecção ssd mobilenet v1 (link em inglês) usando o TensorFlow Hub.

cães

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

Renderize as caixas delimitadoras na imagem de entrada:

saída da detecção

Teste a funcionalidade Ferramenta de demonstração da CLI para o ObjectDetector com seu próprio modelo e dados de teste.

Requisitos de compatibilidade do modelo

A API ObjectDetector espera um modelo TFLite com valores obrigatórios Metadados de modelo do TFLite. Veja exemplos de criação de metadados para detectores de objetos usando o API TensorFlow Lite Metadata Writer

Os modelos de detector de objetos compatíveis precisam atender aos seguintes requisitos:

  • Tensor da 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 compatíveis (channels precisa ser 3).
    • se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexada aos metadados para normalização de entrada.
  • Os tensores de saída precisam ser as quatro saídas de uma operação DetectionPostProcess, ou seja:

    • Tensor de locais (kTfLiteFloat32)
      • de tamanho [1 x num_results x 4], a matriz interna que representa caixas delimitadoras no formato [top, left, right, bottom].
      • BoundingBoxProperties precisa ser anexada aos metadados e precisa especificar type=BOUNDARIES e `coordinate_type=RATIO.
    • Tensor de classes (kTfLiteFloat32)

      • de tamanho [1 x num_results], cada valor representando o índice inteiro de uma classe.
      • mapas de marcadores opcionais (mas recomendados) podem ser anexados como AssociatedFile-s com tipo TENSOR_VALUE_LABELS, contendo um rótulo por linha. Consulte a exemplo de arquivo de rótulo. O primeiro AssociatedFile (se houver) é usado para preencher o class_name dos resultados. O campo display_name é preenchido a partir de AssociatedFile (se houver) cuja localidade corresponde ao Campo display_names_locale do ObjectDetectorOptions usado em hora de criação ("en" por padrão, isto é, inglês). Se nenhuma delas for disponível, apenas o campo index dos resultados será preenchido.
    • Tensor de pontuações (kTfLiteFloat32)

      • de tamanho [1 x num_results], cada valor representando pontuação do objeto detectado.
    • Número do tensor de detecção (kTfLiteFloat32)

      • num_results de números inteiros como um tensor de tamanho [1].