Python용 이미지 분류 가이드

MediaPipe 이미지 분류기 작업을 사용하면 이미지를 분류할 수 있습니다. 이 작업을 사용하여 학습 시 정의된 카테고리 집합에서 이미지가 나타내는 것이 무엇인지 식별할 수 있습니다. 이 안내에서는 Python에서 이미지 분류기를 사용하는 방법을 보여줍니다.

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

코드 예시

이미지 분류기의 예시 코드는 참조용으로 Python에서 이 작업을 완전히 구현합니다. 이 코드는 이 작업을 테스트하고 자체 이미지 분류기 빌드를 시작하는 데 도움이 됩니다. 웹브라우저만 사용하여 이미지 분류기 예시 코드를 보고 실행하고 수정할 수 있습니다.

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

설정

이 섹션에서는 특히 이미지 분류기를 사용하도록 개발 환경을 설정하고 프로젝트를 코딩하는 주요 단계를 설명합니다. 플랫폼 버전 요구사항을 포함하여 MediaPipe 태스크를 사용하기 위한 개발 환경 설정에 관한 일반적인 정보는 Python 설정 가이드를 참조하세요.

패키지

이미지 분류기 작업은 mediapipe pip 패키지입니다. 다음을 사용하여 종속 항목을 설치할 수 있습니다.

$ python -m pip install mediapipe

가져오기

이미지 분류기 작업 함수에 액세스하려면 다음 클래스를 가져옵니다.

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

모델

MediaPipe 이미지 분류기 작업에는 이 작업과 호환되는 학습된 모델이 필요합니다. 이미지 분류기에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 작업 개요 모델 섹션을 참조하세요.

모델을 선택하여 다운로드한 다음 로컬 디렉터리에 저장합니다. 권장되는 EfficientNet-Lite0 모델을 사용할 수 있습니다.

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

아래와 같이 모델 이름 매개변수 내에서 모델의 경로를 지정합니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

create_from_options 함수를 사용하여 작업을 만듭니다. create_from_options 함수는 실행 모드, 표시 이름 언어, 최대 결과 수, 신뢰도 임곗값, 카테고리 허용 목록, 거부 목록을 포함한 구성 옵션을 허용합니다. 구성 옵션에 대한 자세한 내용은 구성 개요를 참조하세요.

이미지 분류기 작업은 정지 이미지, 동영상 파일, 라이브 동영상 스트림의 3가지 입력 데이터 유형을 지원합니다. 작업을 만들고 추론을 실행하는 방법을 보려면 입력 데이터 유형에 해당하는 탭을 선택합니다.

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.
  # ...
    

라이브 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.
  # ...
    

이미지에 사용할 이미지 분류기를 만드는 전체 예는 코드 예를 참고하세요.

구성 옵션

이 태스크에는 다음과 같은 Python 애플리케이션 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
running_mode 작업의 실행 모드를 설정합니다. 모드는 세 가지가 있습니다.

IMAGE: 단일 이미지 입력 모드입니다.

VIDEO: 동영상의 디코딩된 프레임에 대한 모드입니다.

LIVE_STREAM: 카메라에서 전송하는 것과 같은 입력 데이터의 실시간 스트림 모드입니다. 이 모드에서는 resultListener를 호출하여 비동기식으로 결과를 수신하도록 리스너를 설정해야 합니다.
{IMAGE, VIDEO, LIVE_STREAM} IMAGE
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
result_callback 이미지 분류기가 라이브 스트림 모드일 때 분류 결과를 비동기식으로 수신하도록 결과 리스너를 설정합니다. 달리기 모드가 LIVE_STREAM으로 설정된 경우에만 사용할 수 있습니다. 해당 사항 없음 설정되지 않음

데이터 준비

입력을 이미지 파일 또는 Numpy 배열로 준비한 다음 mediapipe.Image 객체로 변환합니다. 입력이 동영상 파일이나 웹캠의 실시간 스트림인 경우 OpenCV와 같은 외부 라이브러리를 사용하여 입력 프레임을 Numpy 배열로 로드할 수 있습니다.

다음 예시에서는 사용 가능한 각 데이터 유형의 처리를 위해 데이터를 준비하는 방법을 설명하고 보여줍니다.

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)
    

라이브 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

달리기 모드에 해당하는 분류 함수를 호출하여 추론을 트리거할 수 있습니다. Image Classifier API는 입력 이미지 또는 프레임 내의 객체에 대해 가능한 카테고리를 반환합니다.

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)
    

라이브 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 이미지 분류기 작업에 입력 프레임의 타임스탬프도 제공해야 합니다.
  • 이미지 또는 동영상 모델에서 실행되는 경우 이미지 분류기 작업은 입력 이미지 또는 프레임 처리가 완료될 때까지 현재 스레드를 차단합니다.
  • 라이브 스트림 모드에서 실행되는 경우 이미지 분류기 작업은 현재 스레드를 차단하지 않고 즉시 반환됩니다. 입력 프레임 처리가 완료될 때마다 분류 결과와 함께 결과 리스너를 호출합니다. 이미지 분류기 작업이 다른 프레임을 처리 중일 때 classifyAsync 함수가 호출되면 작업은 새 입력 프레임을 무시합니다.

이미지에 사용할 이미지 분류기를 만드는 전체 예는 코드 예를 참고하세요.

결과 처리 및 표시

추론을 실행하면 Image Classifier 작업은 입력 이미지 또는 프레임 내의 객체에 대해 가능한 카테고리 목록이 포함된 ImageClassifierResult 객체를 반환합니다.

다음은 이 작업의 출력 데이터 예를 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 다음에서 새 분류기를 실행하여 얻은 것입니다.

이미지 분류기 예시 코드는 작업에서 반환된 분류 결과를 표시하는 방법을 보여줍니다. 자세한 내용은 코드 예를 참고하세요.