全新推出：LiteRT：Google 专为设备端 AI 打造的高性能运行时，以前称为 TensorFlow Lite。

此页面由 Cloud Translation API 翻译。

集成对象检测器

对象检测器可以识别一组已知对象中可能存在哪些对象并提供有关这些对象在指定图片或视频中的位置的信息。对象检测器经过训练后，能够检测是否存在多个类别的对象。例如，模型在训练模型时外包含各种水果，还有一个标签，用于指定代表的水果所属的类别（例如苹果、香蕉或草莓），以及用于指定每个对象在图片中的显示位置的数据。请参阅对象检测示例详细了解对象检测器。

使用 Task Library ObjectDetector API 部署自定义对象检测器或预训练的应用导入您的移动应用中。

ObjectDetector 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。
用于过滤结果的分数阈值。
Top-k 检测结果。
标签许可名单和拒绝名单。

支持的对象检测器模型

以下模型保证与 ObjectDetector兼容 API。

通过 TensorFlow Hub 上的预训练对象检测模型。
模型创建者 AutoML Vision Edge 对象检测。
模型创建者适用于对象检测器的 TensorFlow Lite Model Maker。
符合模型兼容性要求。

使用 Java 运行推理

请参阅对象检测参考应用查看如何在 Android 应用中使用 ObjectDetector 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
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);

请参阅源代码和 javadoc 了解用于配置 ObjectDetector 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 指南了解有关将 Pod 添加到 Xcode 项目的详细信息。

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: "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];

请参阅源代码了解用于配置 TFLObjectDetector 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)
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)

请参阅源代码了解用于配置 ObjectDetector 的更多选项。

使用 C++ 运行推理

// 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();

请参阅源代码了解用于配置 ObjectDetector 的更多选项。

示例结果

这是一个检测结果示例， ssd mobilenet v1 。

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

将边界框渲染到输入图片上：

检测输出

尝试 ObjectDetector 的 CLI 演示工具模型和测试数据。

模型兼容性要求

ObjectDetector API 需要一个具有强制性要求的 TFLite 模型， TFLite 模型元数据。查看创建内容示例对象检测器的元数据，并使用 TensorFlow Lite Metadata Writer API。

兼容的对象检测器模型应满足以下要求：

输入图片张量：(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。
输出张量必须是 DetectionPostProcess 操作的 4 个输出，即：
- Locations 张量 (kTfLiteFloat32) <ph type="x-smartling-placeholder">
  - 大小为 [1 x num_results x 4] 的张量，表示内部数组 [top, left, right, bottom] 形式的边界框。
  - BoundingBoxProperties 必须附加到元数据并指定 type=BOUNDARIES 和 `Coordinate_type=RATIO。
- 类张量 (kTfLiteFloat32)
  - 张量大小为 [1 x num_results]，每个值表示类的整数索引。
  - 可选（但建议使用）标签映射作为类型为 TENSOR_VALUE_LABELS 的 AssociatedFile-s，包含一个标签。请参阅标签文件示例。第一个这样的 AssociatedFile（如果有）用于填充 class_name 字段。display_name 字段为通过 AssociatedFile（如果有）填充，其语言区域与 ObjectDetectorOptions 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。
- 对张量进行评分 (kTfLiteFloat32)
  - 张量大小为 [1 x num_results]，每个值表示检测到的对象的得分。
- 检测张量 (kTfLiteFloat32) 的数量
  - 整数 num_results，作为大小为 [1] 的张量。