Tugas Segmentasi Gambar MediaPipe memungkinkan Anda membagi gambar ke dalam wilayah berdasarkan kategori untuk menerapkan efek visual seperti pemburaman latar belakang. Ini petunjuk menunjukkan cara menggunakan Image Segmenter untuk Node dan aplikasi web. Sebagai informasi lebih lanjut tentang kemampuan, model, dan opsi konfigurasi dari tugas ini, lihat Ringkasan.
Contoh kode
Kode contoh untuk Segmentasi Gambar menyediakan penerapan lengkap dari tugas di JavaScript untuk referensi Anda. Kode ini membantu Anda menguji tugas ini dan mulai membuat aplikasi segmentasi gambar Anda sendiri. Anda dapat melihat, menjalankan, dan edit Segmentasi Gambar kode contoh hanya dengan menggunakan {i>browser<i} web. Anda juga dapat meninjau kode untuk contoh ini di GitHub.
Penyiapan
Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan kode project secara khusus untuk menggunakan Segmentasi Gambar. Untuk informasi umum tentang menyiapkan lingkungan pengembangan untuk menggunakan tugas MediaPipe, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk web.
Paket JavaScript
Kode Segmentasi Gambar tersedia melalui MediaPipe @mediapipe/tasks-vision
NPM. Anda dapat
menemukan dan mendownload library ini dari link yang disediakan dalam platform
Panduan penyiapan.
Anda dapat menginstal paket yang diperlukan dengan kode berikut untuk staging lokal menggunakan perintah berikut:
npm install --save @mediapipe/tasks-vision
Jika Anda ingin mengimpor kode tugas melalui jaringan penayangan konten (CDN) tambahan, tambahkan kode berikut dalam tag di file HTML Anda:
<head>
<script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision/vision_bundle.js"
crossorigin="anonymous"></script>
</head>
Model
Tugas MediaPipe Image Segmenter memerlukan model terlatih yang kompatibel dengan tugas Anda. Untuk informasi selengkapnya tentang model terlatih yang tersedia untuk Segmentasi Gambar, lihat ringkasan tugas bagian Model.
Pilih dan download model, lalu simpan dalam direktori project Anda:
<dev-project-root>/app/shared/models/
Membuat tugas
Gunakan salah satu fungsi createFrom...()
Segmentasi Gambar untuk
mempersiapkan tugas untuk menjalankan inferensi. Menggunakan createFromModelPath()
dengan jalur relatif atau absolut ke file model terlatih.
Jika model sudah dimuat ke dalam memori, Anda dapat menggunakan
Metode createFromModelBuffer()
.
Contoh kode di bawah ini menunjukkan penggunaan fungsi createFromOptions()
untuk
menyiapkan tugas. Fungsi createFromOptions
memungkinkan Anda menyesuaikan
Segmentasi Gambar dengan opsi konfigurasi. Untuk informasi selengkapnya tentang tugas,
konfigurasi, lihat Opsi konfigurasi.
Kode berikut menunjukkan cara membangun dan mengonfigurasi tugas dengan opsi:
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();
Untuk penerapan yang lebih lengkap terkait pembuatan tugas Segmentasi Gambar, lihat contoh kode.
Opsi konfigurasi
Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Web:
Nama Opsi | Deskripsi | Rentang Nilai | Nilai Default |
---|---|---|---|
outputCategoryMask |
Jika ditetapkan ke True , output akan menyertakan mask segmentasi
sebagai gambar uint8, dengan setiap nilai piksel menunjukkan kategori pemenang
dengan sejumlah nilai. |
{True, False } |
False |
outputConfidenceMasks |
Jika ditetapkan ke True , output akan menyertakan mask segmentasi
sebagai gambar nilai {i>float<i}, dengan setiap nilai {i>float<i} mewakili tingkat keyakinan
skor kategori kategori. |
{True, False } |
True |
displayNamesLocale |
Menyetel bahasa label yang akan digunakan untuk nama tampilan yang diberikan di
metadata model tugas, jika tersedia. Defaultnya adalah en untuk
Bahasa Inggris. Anda dapat menambahkan label yang dilokalkan ke metadata model kustom
menggunakan TensorFlow Lite Metadata Writer API |
Kode lokal | id |
resultListener |
Menetapkan pemroses hasil untuk menerima hasil segmentasi
secara asinkron saat pembagi gambar berada dalam mode LIVE_STREAM .
Hanya dapat digunakan saat mode lari disetel ke LIVE_STREAM |
T/A | T/A |
Menyiapkan data
Segmentasi Gambar dapat menyegmentasi objek dalam gambar dalam format apa pun yang didukung oleh {i>host<i} di browser web Anda. Tugas ini juga menangani pra-pemrosesan input data, termasuk pengubahan ukuran, rotasi, dan normalisasi nilai.
Panggilan ke metode segment()
dan segmentForVideo()
Segmentasi Gambar berjalan
secara sinkron dan memblokir
thread antarmuka pengguna. Jika Anda menyegmentasi objek pada
frame video dari kamera perangkat, setiap tugas segmentasi memblokir
. Anda dapat mencegah hal ini dengan menerapkan pekerja web untuk menjalankan
segment()
dan segmentForVideo()
di thread lain.
Menjalankan tugas
Segmentasi Gambar menggunakan metode segment()
dengan mode gambar dan
Metode segmentForVideo()
dengan mode video
untuk memicu inferensi. Tujuan
Image Segmenter menampilkan segmen yang terdeteksi sebagai data gambar ke callback
fungsi yang Anda tetapkan saat menjalankan
inferensi untuk tugas tersebut.
Kode berikut menunjukkan cara menjalankan pemrosesan dengan model tugas:
Gambar
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(); }); }
Untuk penerapan yang lebih lengkap dalam menjalankan tugas Segmentasi Gambar, lihat contoh kode.
Menangani dan menampilkan hasil
Setelah menjalankan inferensi, tugas Image Segmenter akan menampilkan data gambar segmen ke
fungsi callback. Konten output bergantung pada outputType
yang Anda setel
saat Anda mengonfigurasi tugas.
Bagian berikut menunjukkan contoh data output dari tugas ini:
Tingkat keyakinan kategori
Gambar berikut menunjukkan visualisasi output tugas untuk suatu kategori
masker untuk kepercayaan diri. Output samaran berisi nilai float antara
[0, 1]
.
Output masker keyakinan kategori dan gambar asli. Gambar sumber dari Pascal VOC 2012 set data.
Nilai kategori
Gambar berikut menunjukkan visualisasi output tugas untuk suatu kategori
mask nilai. Rentang mask kategori adalah [0, 255]
dan setiap nilai piksel
mewakili indeks kategori pemenang dari output model. Kategori pemenang
memiliki skor tertinggi di antara kategori yang dapat dikenali model.
Output mask kategori dan gambar asli. Gambar sumber dari Pascal VOC 2012 set data.
Kode contoh Segmentasi Gambar menunjukkan cara menampilkan segmentasi hasil yang ditampilkan dari tugas, lihat contoh kode untuk mengetahui detailnya.