Детекторы объектов могут определить, какие из известных объектов могут присутствовать, и предоставить информацию об их положении в данном изображении или видеопотоке. Детектор объектов обучен обнаруживать присутствие и местоположение объектов нескольких классов. Например, модель может быть обучена с помощью изображений, содержащих различные кусочки фруктов, а также метки , указывающей класс фруктов, которые они представляют (например, яблоко, банан или клубника), и данных, определяющих, где каждый объект появляется в изображение. Дополнительную информацию о детекторах объектов см. в примере обнаружения объектов .
Используйте API ObjectDetector
библиотеки задач для развертывания собственных или предварительно обученных детекторов объектов в мобильных приложениях.
Ключевые особенности API ObjectDetector
Обработка входного изображения, включая вращение, изменение размера и преобразование цветового пространства.
Метка локали карты.
Порог оценки для фильтрации результатов.
Результаты обнаружения Top-k.
Пометьте список разрешенных и список запрещенных.
Поддерживаемые модели детекторов объектов
Следующие модели гарантированно совместимы с API ObjectDetector
.
Предварительно обученные модели обнаружения объектов на TensorFlow Hub .
Модели, созданные с помощью AutoML Vision Edge Object Detection .
Модели, созданные TensorFlow Lite Model Maker для детектора объектов .
Пользовательские модели, соответствующие требованиям совместимости моделей .
Запустить вывод в Java
См. справочное приложение «Обнаружение объектов», где приведен пример использования ObjectDetector
в приложении для Android.
Шаг 1. Импортируйте зависимости Gradle и другие настройки.
Скопируйте файл модели .tflite
в каталог ресурсов модуля Android, где будет запускаться модель. Укажите, что файл не должен быть сжат, 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 документации Javadoc .
Запустить вывод в iOS
Шаг 1. Установите зависимости
Библиотека задач поддерживает установку с использованием 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 Podfile.
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
Убедитесь, что модель .tflite
, которую вы будете использовать для вывода, присутствует в вашем пакете приложений.
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)
Цель-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 .
Запустить вывод в Python
Шаг 1. Установите пакет 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 .
Запустить вывод на 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.
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
Отобразите ограничивающие рамки на входном изображении:
Попробуйте простой демонстрационный инструмент CLI для ObjectDetector с вашей собственной моделью и тестовыми данными.
Требования совместимости модели
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:
Тензор входного изображения: (kTfLiteUInt8/kTfLiteFloat32)
- Ввод изображения размера
[batch x height x width x channels]
. - Пакетный вывод не поддерживается (
batch
должен быть равен 1). - поддерживаются только входы RGB (
channels
должно быть 3). - если тип — kTfLiteFloat32, параметры NormalizationOptions необходимо прикрепить к метаданным для нормализации ввода.
- Ввод изображения размера
Выходные тензоры должны быть четырьмя выходами операции
DetectionPostProcess
, т.е.:- Тензор локаций (kTfLiteFloat32)
- тензор размера
[1 x num_results x 4]
, внутренний массив, представляющий ограничивающие рамки в форме [сверху, слева, справа, снизу]. - BoundingBoxProperties должны быть прикреплены к метаданным и должны указывать
type=BOUNDARIES
и `coordinate_type=RATIO.
- тензор размера
Тензор классов (kTfLiteFloat32)
- тензор размера
[1 x num_results]
, каждое значение представляет собой целочисленный индекс класса. - необязательные (но рекомендуемые) карты меток могут быть прикреплены как AssociatedFile-s с типом TENSOR_VALUE_LABELS, содержащими одну метку в строке. См. пример файла этикетки . Первый такой AssociatedFile (если есть) используется для заполнения поля
class_name
результатов. Полеdisplay_name
заполняется из AssociatedFile (если есть), языковой стандарт которого соответствует полюdisplay_names_locale
ObjectDetectorOptions
, используемому во время создания (по умолчанию «en», т.е. английский). Если ни один из них недоступен, будет заполнено только полеindex
результатов.
- тензор размера
Тензор оценок (kTfLiteFloat32)
- тензор размера
[1 x num_results]
, каждое значение представляет оценку обнаруженного объекта.
- тензор размера
Тензор количества обнаружения (kTfLiteFloat32)
- целое число num_results как тензор размера
[1]
.
- целое число num_results как тензор размера
- Тензор локаций (kTfLiteFloat32)