Panduan klasifikasi gambar untuk Python

Tugas Pengklasifikasi Gambar MediaPipe memungkinkan Anda melakukan klasifikasi pada gambar. Anda dapat menggunakan tugas ini untuk mengidentifikasi apa yang diwakili oleh suatu gambar di antara serangkaian kategori yang ditentukan pada waktu pelatihan. Petunjuk ini menunjukkan cara menggunakan Pengklasifikasi Gambar dengan Python.

Anda dapat melihat cara kerja tugas ini dengan membuka demo. Sebagai informasi lebih lanjut tentang kemampuan, model, dan opsi konfigurasi dari tugas ini, lihat Ringkasan.

Contoh kode

Kode contoh untuk Pengklasifikasi Gambar menyediakan implementasi lengkap dari proses ini di Python untuk referensi Anda. Kode ini membantu Anda menguji tugas ini dan mendapatkan mulai membuat pengklasifikasi gambar Anda sendiri. Anda dapat melihat, menjalankan, dan mengedit Contoh Pengklasifikasi Gambar kode hanya dengan menggunakan {i>browser<i} web.

Jika Anda mengimplementasikan Pengklasifikasi Gambar untuk Raspberry Pi, lihat Contoh Rasberi Pi aplikasi.

Penyiapan

Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan mengkodekan project secara khusus untuk menggunakan Pengklasifikasi Gambar. Untuk informasi umum tentang menyiapkan lingkungan pengembangan untuk menggunakan tugas MediaPipe, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk Python yang baru.

Paket

Pengklasifikasi Gambar bertugas menjalankan paket pip mediapipe. Anda dapat menginstal dependensi dengan kode berikut:

$ 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

Model

Tugas Pengklasifikasi Gambar MediaPipe memerlukan model terlatih yang kompatibel dengan tugas Anda. Untuk informasi selengkapnya tentang model terlatih yang tersedia untuk Pengklasifikasi Gambar, lihat ringkasan tugas bagian Model.

Pilih dan download model, lalu simpan di direktori lokal. Anda dapat menggunakan yang direkomendasikan EfficientNet-Lite0 model transformer.

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

Tentukan jalur model dalam parameter Nama Model, seperti yang ditunjukkan di bawah ini:

base_options = BaseOptions(model_asset_path=model_path)

Membuat tugas

Gunakan fungsi create_from_options untuk membuat tugas. Tujuan Fungsi create_from_options menerima opsi konfigurasi termasuk menjalankan mode, nama tampilan lokal, jumlah hasil maksimal, ambang batas keyakinan, daftar kategori yang diizinkan, dan daftar tolak. Untuk informasi selengkapnya tentang konfigurasi opsi, lihat Ringkasan Konfigurasi.

Tugas Pengklasifikasi Gambar mendukung 3 jenis data input: file video dan gambar diam dan streaming video live. Pilih tab yang sesuai dengan jenis data input Anda melihat cara membuat tugas dan menjalankan inferensi.

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.
  # ...
    

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.
  # ...
    

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.
  # ...
    

Untuk contoh lengkap pembuatan Pengklasifikasi Gambar untuk digunakan bersama gambar, lihat kode contoh.

Opsi konfigurasi

Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Python:

Menyiapkan data

Siapkan input Anda sebagai file gambar atau array numpy, lalu konversi menjadi Objek mediapipe.Image. Jika input Anda adalah file video atau live stream dari Webcam, Anda dapat menggunakan perpustakaan eksternal seperti OpenCV untuk memuat frame input sebagai numpy .

Contoh berikut menjelaskan dan menunjukkan cara menyiapkan data untuk diproses setiap jenis data yang tersedia

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)
    

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)
    

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)
    

Menjalankan tugas

Anda dapat memanggil fungsi klasifikasi yang sesuai dengan mode berlari untuk memicu inferensi. Image Classifier API akan menampilkan kategori yang memungkinkan untuk dalam gambar atau bingkai input.

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

# 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)
    

# 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)
    

Perhatikan hal berikut:

• Saat dalam mode video atau mode live stream, Anda juga harus untuk memberikan tugas Pengklasifikasi Gambar, stempel waktu dari frame input.
• Saat berjalan dalam model gambar atau video, tugas Pengklasifikasi Gambar akan memblokir utas saat ini hingga selesai memproses gambar input atau {i>frame<i}.
• Saat berjalan dalam mode live stream, tugas Pengklasifikasi Gambar tidak akan diblokir thread saat ini tetapi langsung kembali. Fungsi ini akan memanggil hasilnya pemroses dengan hasil klasifikasi setiap kali memproses {i>frame<i} input. Jika fungsi classifyAsync dipanggil saat tugas Pengklasifikasi Gambar sibuk memproses bingkai lain, tugas mengabaikan {i>frame<i} input baru.

Untuk contoh lengkap pembuatan Pengklasifikasi Gambar untuk digunakan bersama gambar, lihat kode contoh.

Menangani dan menampilkan hasil

Setelah menjalankan inferensi, tugas Pengklasifikasi Gambar mengembalikan Objek ImageClassifierResult yang berisi daftar kemungkinan kategori untuk objek dalam gambar atau bingkai input.

Berikut ini contoh data output dari tugas ini:

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

Hasil ini diperoleh dengan menjalankan Bird Classifier pada:

Kode contoh Pengklasifikasi Gambar menunjukkan cara menampilkan klasifikasi hasil yang ditampilkan dari tugas, lihat kode contoh untuk mengetahui detailnya.