Bu sayfa, Cloud Translation API ile çevrilmiştir.

Görüntü sınıflandırıcılarını entegre edin

Görüntü sınıflandırma, bir görüntünün neyi temsil ettiğini tanımlamak için makine öğreniminin yaygın bir kullanımıdır. Örneğin, belirli bir resimde ne tür bir hayvanın göründüğünü bilmek isteyebiliriz. Bir görüntünün neyi temsil ettiğini tahmin etme görevine görüntü sınıflandırma denir. Bir görüntü sınıflandırıcı, çeşitli görüntü sınıflarını tanıyacak şekilde eğitilir. Örneğin bir model, üç farklı hayvan türünü temsil eden fotoğrafları tanıyacak şekilde eğitilebilir: tavşanlar, hamsterler ve köpekler. Görüntü sınıflandırıcılar hakkında daha fazla bilgi için görüntü sınıflandırmasına genel bakış bölümüne bakın.

Özel görüntü sınıflandırıcılarınızı veya önceden eğitilmiş görüntü sınıflandırıcılarınızı mobil uygulamalarınıza dağıtmak için Görev Kitaplığı ImageClassifier API'sini kullanın.

ImageClassifier API'nin temel özellikleri

Döndürme, yeniden boyutlandırma ve renk alanı dönüştürme dahil olmak üzere giriş görüntüsü işleme.
Giriş görüntüsünün ilgi alanı.
Harita yerel ayarını etiketleyin.
Sonuçları filtrelemek için puan eşiği.
Top-k sınıflandırma sonuçları.
İzin verilenler listesini ve reddedilenler listesini etiketleyin.

Desteklenen görüntü sınıflandırıcı modelleri

Aşağıdaki modellerin ImageClassifier API ile uyumlu olduğu garanti edilir.

Görüntü Sınıflandırması için TensorFlow Lite Model Maker tarafından oluşturulan modeller.
TensorFlow Hub'da önceden eğitilmiş görüntü sınıflandırma modelleri .
AutoML Vision Edge Görüntü Sınıflandırması tarafından oluşturulan modeller.
Model uyumluluk gereksinimlerini karşılayan özel modeller.

Java'da çıkarımı çalıştırma

ImageClassifier bir Android uygulamasında nasıl kullanılacağına ilişkin bir örnek için Görüntü Sınıflandırması referans uygulamasına bakın.

Adım 1: Gradle bağımlılığını ve diğer ayarları içe aktarın

.tflite model dosyasını, modelin çalıştırılacağı Android modülünün asset dizinine kopyalayın. Dosyanın sıkıştırılmaması gerektiğini belirtin ve TensorFlow Lite kitaplığını modülün build.gradle dosyasına ekleyin:

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }
}

dependencies {
    // Other dependencies

    // Import the Task Vision Library dependency (NNAPI is included)
    implementation 'org.tensorflow:tensorflow-lite-task-vision'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin'
}

Adım 2: Modelin kullanılması

// Initialization
ImageClassifierOptions options =
    ImageClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ImageClassifier imageClassifier =
    ImageClassifier.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Classifications> results = imageClassifier.classify(image);

ImageClassifier yapılandırmaya yönelik daha fazla seçenek için kaynak koduna ve javadoc'a bakın.

İOS'ta çıkarımı çalıştırma

1. Adım: Bağımlılıkları yükleyin

Görev Kitaplığı, CocoaPod'lar kullanılarak kurulumu destekler. Sisteminizde CocoaPods'un kurulu olduğundan emin olun. Talimatlar için lütfen CocoaPods kurulum kılavuzuna bakın.

Bir Xcode projesine bölme eklemeyle ilgili ayrıntılar için lütfen CocoaPods kılavuzuna bakın.

TensorFlowLiteTaskVision bölmesini Pod dosyasına ekleyin.

target 'MyAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskVision'
end

Çıkarım için kullanacağınız .tflite modelinin uygulama paketinizde mevcut olduğundan emin olun.

Adım 2: Modelin kullanılması

Süratli

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "birds_V1",
                                            ofType: "tflite") else { return }

let options = ImageClassifierOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let classifier = try ImageClassifier.classifier(options: options)

// Convert the input image to MLImage.
// There are other sources for MLImage. For more details, please see:
// https://developers.google.com/ml-kit/reference/ios/mlimage/api/reference/Classes/GMLImage
guard let image = UIImage (named: "sparrow.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let classificationResults = try classifier.classify(mlImage: mlImage)

Hedef C

// Imports
#import <TensorFlowLiteTaskVision/TensorFlowLiteTaskVision.h>

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"birds_V1" ofType:@"tflite"];

TFLImageClassifierOptions *options =
    [[TFLImageClassifierOptions alloc] initWithModelPath:modelPath];

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLImageClassifier *classifier = [TFLImageClassifier imageClassifierWithOptions:options
                                                                          error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"sparrow.jpg"];

// There are other sources for GMLImage. For more details, please see:
// https://developers.google.com/ml-kit/reference/ios/mlimage/api/reference/Classes/GMLImage
GMLImage *gmlImage = [[GMLImage alloc] initWithImage:image];

// Run inference
TFLClassificationResult *classificationResult =
    [classifier classifyWithGMLImage:gmlImage error:nil];

TFLImageClassifier yapılandırmaya yönelik daha fazla seçenek için kaynak koduna bakın.

Python'da çıkarımı çalıştırma

Adım 1: pip paketini yükleyin

pip install tflite-support

Adım 2: Modelin kullanılması

# Imports
from tflite_support.task import vision
from tflite_support.task import core
from tflite_support.task import processor

# Initialization
base_options = core.BaseOptions(file_name=model_path)
classification_options = processor.ClassificationOptions(max_results=2)
options = vision.ImageClassifierOptions(base_options=base_options, classification_options=classification_options)
classifier = vision.ImageClassifier.create_from_options(options)

# Alternatively, you can create an image classifier in the following manner:
# classifier = vision.ImageClassifier.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

ImageClassifier yapılandırmaya yönelik daha fazla seçenek için kaynak koduna bakın.

Çıkarımı C++'da çalıştırma

// Initialization
ImageClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Create input frame_buffer from your inputs, `image_data` and `image_dimension`.
// See more information here: tensorflow_lite_support/cc/task/vision/utils/frame_buffer_common_utils.h

std::unique_ptr<FrameBuffer> frame_buffer = CreateFromRgbRawBuffer(
      image_data, image_dimension);

// Run inference
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

ImageClassifier yapılandırmaya yönelik daha fazla seçenek için kaynak koduna bakın.

Örnek sonuçlar

Burada bir kuş sınıflandırıcının sınıflandırma sonuçlarına bir örnek verilmiştir.

serçe

Results:
  Rank #0:
   index       : 671
   score       : 0.91406
   class name  : /m/01bwb9
   display name: Passer domesticus
  Rank #1:
   index       : 670
   score       : 0.00391
   class name  : /m/01bwbt
   display name: Passer montanus
  Rank #2:
   index       : 495
   score       : 0.00391
   class name  : /m/0bwm6m
   display name: Passer italiae

ImageClassifier için basit CLI demo aracını kendi modeliniz ve test verilerinizle deneyin.

Model uyumluluk gereksinimleri

ImageClassifier API, zorunlu TFLite Model Meta Verilerine sahip bir TFLite modeli beklemektedir. TensorFlow Lite Meta Veri Yazarı API'sini kullanarak görüntü sınıflandırıcıları için meta veriler oluşturma örneklerine bakın.

Uyumlu görüntü sınıflandırıcı modelleri aşağıdaki gereksinimleri karşılamalıdır:

Giriş görüntüsü tensörü (kTfLiteUInt8/kTfLiteFloat32)
- boyut görüntü girişi [batch x height x width x channels] .
- toplu çıkarım desteklenmiyor ( batch 1 olması gerekiyor).
- yalnızca RGB girişleri desteklenir ( channels 3 olması gerekir).
- tür kTfLiteFloat32 ise, giriş normalleştirmesi için normalizationOptions'ın meta verilere eklenmesi gerekir.
Çıkış puanı tensörü (kTfLiteUInt8/kTfLiteFloat32)
- N sınıfı ve 2 veya 4 boyutlu, yani [1 x N] veya [1 x 1 x 1 x N]
- her satırda bir etiket içeren, TENSOR_AXIS_LABELS tipinde AssociatedFile-s olarak isteğe bağlı (ancak önerilen) etiket eşlemeleri. Örnek etiket dosyasına bakın. Bu türden ilk AssociatedFile (varsa), sonuçların label alanını (C++'da class_name olarak adlandırılır) doldurmak için kullanılır. display_name alanı, yerel ayarı, oluşturma zamanında kullanılan ImageClassifierOptions display_names_locale alanıyla eşleşen AssociatedFile'dan (varsa) doldurulur (varsayılan olarak "en", yani İngilizce). Bunlardan hiçbiri mevcut değilse sadece sonuçların index alanı doldurulacaktır.