隆重推出 LiteRT：Google 為裝置端 AI (舊稱 TensorFlow Lite) 打造的高效能執行階段。

本頁面由 Cloud Translation API 翻譯而成。

網頁的圖片區隔指南

MediaPipe Image Segmenter 工作可根據預先定義的選項將圖片分成多個區域以便套用背景模糊處理等視覺效果這些相關說明會教您如何使用節點和網頁應用程式專用的 Image Segmenter。適用對象進一步瞭解請參閱總覽。

程式碼範例

Image Segmenter 範例程式碼提供方便您參考。這個程式碼可協助您測試這項工作現在就開始打造自己的影像分割應用程式您可以查看、執行和編輯影像分割器程式碼範例只要使用網路瀏覽器即可。您也可以前往 GitHub。

設定

本節說明設定開發環境的重要步驟，以及以及專門使用 Image Segmenter 的程式碼專案如需設定開發環境以使用 MediaPipe 工作，包括：平台版本需求，請參閱網頁版設定指南。

JavaScript 套件

可透過 MediaPipe @mediapipe/tasks-vision 取得圖片區隔程式碼 NPM 套件。你可以透過平台提供的連結找到並下載這些程式庫設定指南。

您可以使用下列程式碼安裝必要套件進行本機測試使用以下指令：

npm install --save @mediapipe/tasks-vision

如果想要透過內容傳遞網路 (CDN) 匯入工作程式碼請在 HTML 檔案的標記中加入下列程式碼：

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision/vision_bundle.js"
    crossorigin="anonymous"></script>
</head>

型號

MediaPipe Image Segmenter 工作需要經過訓練且與此模型相容的模型。工作。如要進一步瞭解圖片區隔工具可用的已訓練模型，請參閱：工作總覽的「模型」一節。

選取並下載模型，然後將模型儲存在專案目錄中：

<dev-project-root>/app/shared/models/

建立工作

使用圖片分割工具 createFrom...() 函式進行以下操作：準備執行推論的工作。使用「createFromModelPath()」內含已訓練模型檔案的相對或絕對路徑。如果模型已載入記憶體，您可以使用 createFromModelBuffer() 方法。

以下程式碼範例示範如何使用 createFromOptions() 函式設定工作。createFromOptions 函式可讓您自訂含設定選項的圖片分割工具。進一步瞭解工作請參閱設定選項。

以下程式碼示範如何使用自訂選項建構及設定工作選項：

runningMode = "IMAGE";

async function createImageSegmenter() {
  const vision = await FilesetResolver.forVisionTasks(
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision@latest/wasm"
  );

  imageSegmenter = await ImageSegmenter.createFromOptions(vision, {
    baseOptions: {
      modelAssetPath:
        "https://storage.googleapis.com/mediapipe-assets/deeplabv3.tflite?generation=1661875711618421",
    },
    outputCategoryMask: true,
    outputConfidenceMasks: false
    runningMode: runningMode
  });
}
createImageSegmenter();

如需更完整的導入「圖片區隔工具」工作，請參閱程式碼範例。

設定選項

這項工作具有下列網頁應用程式設定選項：

選項名稱	說明	值範圍	預設值
`outputCategoryMask`	如果設為 `True`，則輸出結果會包含區隔遮罩視為 uint8 圖片，其中每個像素值都代表勝出的類別值。	{`True, False`}	`False`
`outputConfidenceMasks`	如果設為 `True`，則輸出結果會包含區隔遮罩視為浮點值圖片，其中各浮點值代表信心值分數圖。	{`True, False`}	`True`
`displayNamesLocale`	設定標籤語言，供工作模型的中繼資料 (如有)。以下項目的預設值為 `en`：英語。您可以在自訂模型的中繼資料中加入經本地化的標籤使用 TensorFlow Lite Metadata Writer API	語言代碼	en
`resultListener`	設定結果監聽器以接收區隔結果圖片片段工具處於 `LIVE_STREAM` 模式時，以非同步方式顯示。只有在執行模式設為「`LIVE_STREAM`」時才能使用	不適用	不適用

準備資料

圖片區隔工具可以用主機瀏覽器。這項工作也會處理資料輸入預先處理作業，包括調整大小、旋轉以及值正規化

系統會執行對圖片區隔工具 segment() 和 segmentForVideo() 方法的呼叫以及封鎖使用者介面執行緒如果要區隔影片影格，每個分割工作都會封鎖。您可以藉由實作網路工作站其他執行緒上的segment()和 segmentForVideo()。

執行工作

圖片區隔工具使用 segment() 方法搭配圖片模式，以及使用 video 模式觸發推論的 segmentForVideo() 方法。 Image Segmenter 會將偵測到的片段做為圖片資料傳回回呼您為工作執行推論時所設定的函式。

以下程式碼示範如何使用工作模型執行處理程序：

圖片

const image = document.getElementById("image") as HTMLImageElement;
imageSegmenter.segment(image, callback);

Video

async function renderLoop(): void {
  const video = document.getElementById("video");
  let startTimeMs = performance.now();

  imageSegmenter.segmentForVideo(video, startTimeMs, callbackForVideo);

  requestAnimationFrame(() => {
    renderLoop();
  });
}

如需更完整的導入圖像區隔工具工作，請參閱程式碼範例。

處理及顯示結果

在執行推論時，Image Segmenter 工作會將片段圖片資料傳回回呼函式。輸出內容的內容取決於您設定的 outputType 確實設定工作。

下列各節說明這項工作的輸出資料範例：

類別可信度

下圖顯示特定類別的工作輸出圖表以及圖片辨識結果可信度遮罩輸出內容包含介於 [0, 1]。

原始圖片和類別可信度遮罩輸出內容。來源映像檔 2012 年 Pascal VOC 資料集。

類別值

下圖顯示特定類別的工作輸出圖表值遮罩。類別遮罩範圍是 [0, 255]，每個像素值代表模型輸出的獲勝類別索引。優勝獎項索引是模型能辨識的類別分數最高。

原始圖片和類別遮罩輸出內容。來源映像檔 2012 年 Pascal VOC 資料集。

此圖片區隔範例程式碼示範如何顯示區隔查看工作傳回的結果程式碼範例。