Python용 텍스트 분류 가이드

MediaPipe Text Classifier 작업을 사용하면 텍스트를 긍정적 또는 부정적 감정과 같은 정의된 카테고리 집합으로 분류할 수 있습니다. 카테고리는 사용하는 모델과 모델의 학습 방법에 따라 결정됩니다. 이 안내에서는 Python에서 Text Classifier를 사용하는 방법을 보여줍니다.

웹 데모에서 이 작업의 작동 방식을 확인할 수 있습니다. 이 작업의 기능, 모델, 구성 옵션에 대한 자세한 내용은 개요를 참조하세요.

코드 예시

Text Classifier의 예시 코드는 Python에서 이 작업을 완전히 구현한 예를 참고할 수 있습니다. 이 코드를 사용하면 이 작업을 테스트하고 자체 텍스트 분류 앱을 빌드할 수 있습니다. 웹브라우저만 사용하여 Text Classifier 예시 코드를 보고 실행하고 수정할 수 있습니다.

Raspberry Pi용 Text Classifier를 구현하는 경우 Raspberry Pi 예시 앱을 참고하세요.

설정

이 섹션에서는 특히 Text Classifier를 사용하도록 개발 환경과 코드 프로젝트를 설정하는 주요 단계를 설명합니다. 플랫폼 버전 요구사항을 포함하여 MediaPipe 태스크를 사용하기 위한 개발 환경 설정에 관한 일반적인 정보는 Python 설정 가이드를 참조하세요.

패키지

Text Classifier는 mediapipe pip 패키지를 사용합니다. 다음을 사용하여 이러한 종속 항목을 설치할 수 있습니다.

$ python -m pip install mediapipe

가져오기

Text Classifier 작업 함수에 액세스하려면 다음 클래스를 가져오세요.

from mediapipe.tasks import python
from mediapipe.tasks.python import text

모델

MediaPipe Text Classifier 작업에는 이 작업과 호환되는 학습된 모델이 필요합니다. Text Classifier에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 작업 개요 모델 섹션을 참조하세요.

모델을 선택 및 다운로드한 후 로컬 디렉터리에 저장합니다.

model_path = '/absolute/path/to/text_classifier.tflite'

아래와 같이 BaseOptions 객체 model_asset_path 매개변수를 사용하여 모델의 경로를 지정합니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

MediaPipe Text Classifier 작업은 create_from_options 함수를 사용하여 작업을 설정합니다. create_from_options 함수는 구성 옵션 값을 허용하여 분류 기준 옵션을 설정합니다. create_from_model_path 팩토리 함수를 사용하여 작업을 초기화할 수도 있습니다. create_from_model_path 함수는 학습된 모델 파일의 상대 또는 절대 경로를 허용합니다. 구성 옵션에 대한 자세한 내용은 구성 옵션을 참고하세요.

다음 코드는 이 작업을 빌드하고 구성하는 방법을 보여줍니다.

base_options = python.BaseOptions(model_asset_path=model_path)
options = text.TextClassifierOptions(base_options=base_options)

with python.text.TextClassifier.create_from_options(options) as classifier:
  classification_result = classifier.classify(text)

구성 옵션

이 작업에는 다음과 같은 Android 앱용 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
display_names_locale 가능한 경우 태스크 모델의 메타데이터에 제공되는 표시 이름에 사용할 라벨 언어를 설정합니다. 기본값은 영어의 경우 en입니다. TensorFlow Lite Metadata Writer API를 사용하여 커스텀 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. 언어 코드 한국어
max_results 반환할 최고 점수를 받은 분류 결과의 최대 개수를 선택합니다(선택사항). 0보다 작은 경우 사용 가능한 모든 결과가 반환됩니다. 모든 양수 -1
score_threshold 모델 메타데이터에서 제공된 값 (있는 경우)을 재정의하는 예측 점수 임곗값을 설정합니다. 이 값보다 낮은 결과는 거부됩니다. 모든 플로팅 설정되지 않음
category_allowlist 허용된 카테고리 이름의 선택적 목록을 설정합니다. 비어 있지 않으면 카테고리 이름이 이 세트에 없는 분류 결과는 필터링됩니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_denylist와 상호 배타적이며 둘 다 사용하면 오류가 발생합니다. 모든 문자열 설정되지 않음
category_denylist 허용되지 않는 카테고리 이름의 선택적 목록을 설정합니다. 비어 있지 않으면 카테고리 이름이 이 세트에 있는 분류 결과가 필터링됩니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_allowlist와 함께 사용할 수 없으며 두 옵션을 모두 사용하면 오류가 발생합니다. 모든 문자열 설정되지 않음

데이터 준비

Text Classifier는 텍스트 (str) 데이터와 함께 사용할 수 있습니다. 이 태스크는 토큰화와 텐서 전처리를 포함하여 데이터 입력 사전 처리를 처리합니다.

모든 전처리는 classify 함수 내에서 처리됩니다. 사전에 입력 텍스트를 추가로 사전 처리할 필요는 없습니다.

input_text = 'The input text to be classified.'

작업 실행

Text Classifier는 classify 함수를 사용하여 추론을 트리거합니다. 텍스트 분류의 경우 입력 텍스트에 가능한 카테고리를 반환합니다.

다음 코드는 작업 모델로 처리를 실행하는 방법을 보여줍니다.

with python.text.TextClassifier.create_from_options(options) as classifier:
  classification_result = classifier.classify(text)

결과 처리 및 표시

Text Classifier는 입력 텍스트에 가능한 카테고리 목록이 포함된 TextClassifierResult 객체를 출력합니다. 카테고리는 사용하는 모델에 따라 정의되므로 다른 카테고리를 사용하려면 다른 모델을 선택하거나 기존 모델을 다시 학습시키세요.

다음은 이 작업의 출력 데이터 예를 보여줍니다.

TextClassificationResult:
  Classification #0 (single classification head):
    ClassificationEntry #0:
      Category #0:
        category name: "positive"
        score: 0.8904
        index: 0
      Category #1:
        category name: "negative"
        score: 0.1096
        index: 1

이 결과는 입력 텍스트 "an imperfect but overall entertaining mystery"에서 BERT 분류기를 실행하여 얻은 것입니다.