Python용 이미지 분류 가이드

MediaPipe Image Classifier 작업을 사용하면 이미지를 분류할 수 있습니다. 이때 정의된 카테고리 집합 중에서 이미지가 무엇을 나타내는지 식별하기 위해 살펴보겠습니다 이 안내에서는 이미지 분류 기준을 사용하는 방법을 살펴보겠습니다

이 작업의 예를 보려면 웹 데모를 참고하세요. 대상 애플리케이션의 기능, 모델, 구성 옵션에 대해 개요를 참조하세요.

코드 예

이미지 분류기의 코드 예는 다음과 같이 참고하세요. 이 코드는 이 작업을 테스트하고 자체 이미지 분류기를 빌드해 보았습니다. Cloud Shell에서 이미지 분류 기준 예 코드 할 수 있습니다.

Raspberry Pi용 이미지 분류기를 구현하는 경우 Raspberry Pi 예시 앱을 엽니다.

설정

이 섹션에서는 개발 환경을 설정하는 주요 단계를 설명하고 코드 프로젝트에서 Image Classifier를 사용할 수 있습니다. 일반적인 정보 다음과 같은 MediaPipe 작업을 사용하기 위한 개발 환경 설정 플랫폼 버전 요구사항에 대한 자세한 내용은 Python을 사용합니다.

<ph type="x-smartling-placeholder">

패키지

Image Classifier 작업 mediapipe pip 패키지. Cloud Shell에서 다음과 같습니다.

$ python -m pip install mediapipe
``` ### Imports

Import the following classes to access the Image Classifier task functions:

```python
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

모델

MediaPipe Image Classifier 작업에는 다음과 호환되는 학습된 모델이 필요합니다. 태스크에 맞추는 것입니다. Image Classifier에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 다음을 참조하세요. 작업 개요의 모델 섹션을 확인합니다.

모델을 선택하고 다운로드한 후 로컬 디렉터리에 저장합니다. 이때 권장 EfficientNet-Lite0 있습니다.

model_path = '/absolute/path/to/efficientnet_lite0_int8_2.tflite'

아래와 같이 모델 이름 매개변수 내에 모델 경로를 지정합니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

create_from_options 함수를 사용하여 작업을 만듭니다. 이 create_from_options 함수는 실행을 포함한 구성 옵션을 허용합니다. 모드, 표시 이름 언어, 최대 결과 수, 신뢰도 임곗값, 카테고리 허용 목록과 차단 목록이 있습니다 구성에 관한 자세한 내용은 옵션은 구성 개요를 참고하세요.

이미지 분류기 작업은 정지 이미지, 동영상 파일, 이렇게 세 가지 입력 데이터 유형을 지원합니다. 라이브 동영상 스트림이 포함됩니다 입력 데이터 유형에 해당하는 탭을 선택하여 작업을 생성하고 추론을 실행하는 방법을 알아봅니다.

이미지

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
ImageClassifier = mp.tasks.vision.ImageClassifier
ImageClassifierOptions = mp.tasks.vision.ImageClassifierOptions
VisionRunningMode = mp.tasks.vision.RunningMode

options = ImageClassifierOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    max_results=5,
    running_mode=VisionRunningMode.IMAGE)

with ImageClassifier.create_from_options(options) as classifier:
  # The classifier is initialized. Use it here.
  # ...

동영상

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
ImageClassifier = mp.tasks.vision.ImageClassifier
ImageClassifierOptions = mp.tasks.vision.ImageClassifierOptions
VisionRunningMode = mp.tasks.vision.RunningMode

options = ImageClassifierOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    max_results=5,
    running_mode=VisionRunningMode.VIDEO)

with ImageClassifier.create_from_options(options) as classifier:
  # The classifier is initialized. Use it here.
  # ...

실시간 스트림

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
ImageClassifierResult = mp.tasks.vision.ImageClassifier.ImageClassifierResult
ImageClassifier = mp.tasks.vision.ImageClassifier
ImageClassifierOptions = mp.tasks.vision.ImageClassifierOptions
VisionRunningMode = mp.tasks.vision.RunningMode

def print_result(result: ImageClassifierResult, output_image: mp.Image, timestamp_ms: int):
    print('ImageClassifierResult result: {}'.format(result))

options = ImageClassifierOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    running_mode=VisionRunningMode.LIVE_STREAM,
    max_results=5,
    result_callback=print_result)

with ImageClassifier.create_from_options(options) as classifier:
  # The classifier is initialized. Use it here.
  # ...

이미지와 함께 사용할 이미지 분류기를 만드는 전체 예는 다음을 참고하세요. 코드 예시를 참조하세요.

구성 옵션

이 작업에는 Python 애플리케이션을 위한 다음과 같은 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
running_mode 작업의 실행 모드를 설정합니다. 세 가지 모드:

IMAGE: 단일 이미지 입력 모드입니다.

동영상: 동영상의 디코딩된 프레임 모드입니다.

LIVE_STREAM: 입력의 라이브 스트림 모드 데이터를 수집할 수 있습니다. 이 모드에서는 resultListener가 결과를 수신하도록 리스너를 설정하기 위해 호출 있습니다.		 {IMAGE, VIDEO, LIVE_STREAM} IMAGE
display_names_locale 작업 모델의 메타데이터입니다(있는 경우). 기본값은 en입니다. 영어입니다. 커스텀 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. TensorFlow Lite Metadata Writer API 사용 언어 코드 en
max_results 최고 점수를 매긴 분류 결과의 최대 개수(선택사항)를 반환합니다. < 0이면 사용 가능한 모든 결과가 반환됩니다. 모든 양수 -1
score_threshold 제공된 값을 재정의하는 예측 점수 임곗값을 설정합니다. 모델 메타데이터 (있는 경우) 이 값 미만의 결과는 거부됩니다. 모든 부동 소수점 수 설정되지 않음
category_allowlist 허용되는 카테고리 이름의 목록(선택사항)을 설정합니다. 비어 있지 않은 경우 카테고리 이름이 이 집합에 없는 분류 결과는 표시됩니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_denylist와 상호 배타적이며 둘 다 오류가 발생합니다. 모든 문자열 설정되지 않음
category_denylist 허용되지 않는 카테고리 이름의 목록(선택사항)을 설정합니다. 만약 비어 있지 않음. 카테고리 이름이 이 세트에 포함된 분류 결과가 필터링됩니다. 있습니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_allowlist와 함께 사용할 수 없으며 두 가지를 모두 사용하면 오류가 발생합니다. 모든 문자열 설정되지 않음
result_callback 분류 결과를 수신하도록 결과 리스너를 설정합니다. 이미지 분류기가 라이브 스트림에 있을 때 비동기식으로 있습니다. 달리기 모드가 LIVE_STREAM로 설정된 경우에만 사용할 수 있습니다. 해당 사항 없음 설정되지 않음

데이터 준비

입력을 이미지 파일 또는 NumPy 배열로 준비한 후 mediapipe.Image 객체. 입력이 동영상 파일 또는 YouTube의 웹캠과 같은 외부 라이브러리를 입력 프레임을 Numpy로 로드하는 OpenCV 배열입니다.

다음 예는 이러한 목적의 처리를 위해 데이터를 준비하는 방법을 설명하고 사용 가능한 각 데이터 유형과

이미지

import mediapipe as mp

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)

동영상

import mediapipe as mp

# Use OpenCV’s VideoCapture to load the input video.

# Load the frame rate of the video using OpenCV’s CV_CAP_PROP_FPS
# You’ll need it to calculate the timestamp for each frame.

# Loop through each frame in the video using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

실시간 스트림

import mediapipe as mp

# Use OpenCV’s VideoCapture to start capturing from the webcam.

# Create a loop to read the latest frame from the camera using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

작업 실행

실행 모드에 해당하는 분류 함수를 호출하여 제공합니다. Image Classifier API는 이미지에 대해 가능한 카테고리를 객체가 됩니다.

이미지

# Perform image classification on the provided single image.
classification_result = classifier.classify(mp_image)

동영상

# Calculate the timestamp of the current frame
frame_timestamp_ms = 1000 * frame_index / video_file_fps

# Perform image classification on the video frame.
classification_result = classifier.classify_for_video(mp_image, frame_timestamp_ms)

실시간 스트림

# Send the latest frame to perform image classification.
# Results are sent to the `result_callback` provided in the `ImageClassifierOptions`.
classifier.classify_async(mp_image, frame_timestamp_ms)

다음에 유의하세요.

  • 동영상 모드 또는 라이브 스트림 모드에서 실행하는 경우 Image Classifier 작업에 입력 프레임의 타임스탬프를 제공합니다.
  • 이미지 또는 동영상 모델에서 실행할 때 이미지 분류 작업은 입력 이미지 처리가 완료될 때까지 현재 스레드를 차단하거나 있습니다.
  • 라이브 스트림 모드에서 실행할 때는 이미지 분류기 작업이 차단되지 않음 즉시 반환됩니다. 그것의 결과를 호출합니다. 완료될 때마다 분류 결과를 표시하는 리스너 입력 프레임을 처리합니다. 다음과 같은 경우에 classifyAsync 함수가 호출되는 경우 Image Classifier 작업이 다른 프레임을 처리하느라 바쁜 경우 작업은 새로운 입력 프레임입니다.

이미지와 함께 사용할 이미지 분류기를 만드는 전체 예는 다음을 참고하세요. 코드 예시를 참조하세요.

결과 처리 및 표시

추론을 실행하면 Image Classifier 작업은 가능한 카테고리 목록이 포함된 ImageClassifierResult 객체 할 수 있습니다.

다음은 이 작업의 출력 데이터 예시를 보여줍니다.

ImageClassifierResult:
 Classifications #0 (single classification head):
  head index: 0
  category #0:
   category name: "/m/01bwb9"
   display name: "Passer domesticus"
   score: 0.91406
   index: 671
  category #1:
   category name: "/m/01bwbt"
   display name: "Passer montanus"
   score: 0.00391
   index: 670

이 결과는 Bird Classifier를 실행하여 얻은 것입니다. 날짜:

이미지 분류 기준 예시 코드는 분류를 표시하는 방법을 보여줍니다. 결과에 대한 자세한 내용은 코드 예 참조하세요.