Представляем LiteRT : высокопроизводительную среду выполнения Google для искусственного интеллекта на устройстве, ранее известную как TensorFlow Lite. Узнать больше

Эта страница переведена с помощью Cloud Translation API.

Интегрируйте детекторы объектов

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 использованием 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 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.

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

Отобразите ограничивающие рамки на входном изображении:

выход обнаружения

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

Требования 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:

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.
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 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. Поле display_name заполняется из AssociatedFile (если есть), языковой стандарт которого соответствует полю display_names_locale ObjectDetectorOptions , используемому во время создания («en» по умолчанию, т.е. английский). Если ни один из них недоступен, будет заполнено только поле index результатов.
- Тензор оценок (kTfLiteFloat32)
  - тензор размера [1 x num_results] , каждое значение представляет оценку обнаруженного объекта.
- Тензор количества обнаружения (kTfLiteFloat32)
  - целое число num_results как тензор размера [1] .