Phân loại hình ảnh là cách sử dụng phổ biến của máy học để xác định hình ảnh đại diện cho nội dung gì. Ví dụ: chúng ta có thể muốn biết loại động vật nào xuất hiện trong một bức tranh nhất định. Nhiệm vụ dự đoán hình ảnh thể hiện điều gì được gọi là phân loại hình ảnh . Một bộ phân loại hình ảnh được đào tạo để nhận biết các loại hình ảnh khác nhau. Ví dụ: một mô hình có thể được đào tạo để nhận biết các bức ảnh đại diện cho ba loại động vật khác nhau: thỏ, chuột đồng và chó. Xem tổng quan về phân loại hình ảnh để biết thêm thông tin về bộ phân loại hình ảnh.
Sử dụng API ImageClassifier
của Thư viện tác vụ để triển khai các trình phân loại hình ảnh tùy chỉnh hoặc các trình phân loại hình ảnh được đào tạo trước vào ứng dụng di động của bạn.
Các tính năng chính của API ImageClassifier
Xử lý hình ảnh đầu vào, bao gồm xoay, thay đổi kích thước và chuyển đổi không gian màu.
Vùng quan tâm của hình ảnh đầu vào.
Dán nhãn địa điểm bản đồ.
Ngưỡng điểm để lọc kết quả.
Kết quả phân loại Top-k.
Gắn nhãn danh sách cho phép và danh sách từ chối.
Các mô hình phân loại hình ảnh được hỗ trợ
Các mô hình sau được đảm bảo tương thích với API ImageClassifier
.
Các mô hình được tạo bởi TensorFlow Lite Model Maker để phân loại hình ảnh .
Các mô hình phân loại hình ảnh được tiền huấn luyện trên TensorFlow Hub .
Các mô hình được tạo bởi Phân loại hình ảnh AutoML Vision Edge .
Các mô hình tùy chỉnh đáp ứng các yêu cầu về khả năng tương thích của mô hình .
Chạy suy luận trong Java
Xem ứng dụng tham khảo Phân loại hình ảnh để biết ví dụ về cách sử dụng ImageClassifier
trong ứng dụng Android.
Bước 1: Nhập phần phụ thuộc Gradle và các cài đặt khác
Sao chép tệp mô hình .tflite
vào thư mục nội dung của mô-đun Android nơi mô hình sẽ được chạy. Chỉ định rằng tệp sẽ không được nén và thêm thư viện TensorFlow Lite vào tệp build.gradle
của mô-đun:
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'
}
Bước 2: Sử dụng mô hình
// 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);
Xem mã nguồn và javadoc để biết thêm tùy chọn cấu hình ImageClassifier
.
Chạy suy luận trong iOS
Bước 1: Cài đặt các phụ thuộc
Thư viện tác vụ hỗ trợ cài đặt bằng CocoaPods. Đảm bảo rằng CocoaPods đã được cài đặt trên hệ thống của bạn. Vui lòng xem hướng dẫn cài đặt CocoaPods để được hướng dẫn.
Vui lòng xem hướng dẫn của CocoaPods để biết chi tiết về cách thêm nhóm vào dự án Xcode.
Thêm nhóm TensorFlowLiteTaskVision
vào Podfile.
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
Đảm bảo rằng mô hình .tflite
bạn sẽ sử dụng để suy luận có trong gói ứng dụng của bạn.
Bước 2: Sử dụng mô hình
Nhanh
// 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)
Mục tiêu 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];
Xem mã nguồn để biết thêm tùy chọn cấu hình TFLImageClassifier
.
Chạy suy luận trong Python
Bước 1: Cài đặt gói pip
pip install tflite-support
Bước 2: Sử dụng mô hình
# 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)
Xem mã nguồn để biết thêm tùy chọn cấu hình ImageClassifier
.
Chạy suy luận trong C++
// 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();
Xem mã nguồn để biết thêm tùy chọn cấu hình ImageClassifier
.
Kết quả ví dụ
Dưới đây là một ví dụ về kết quả phân loại của máy phân loại chim .
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
Hãy dùng thử công cụ demo CLI đơn giản cho ImageClassifier với mô hình và dữ liệu thử nghiệm của riêng bạn.
Yêu cầu tương thích mô hình
API ImageClassifier
yêu cầu một mô hình TFLite với Siêu dữ liệu mô hình TFLite bắt buộc. Xem ví dụ về cách tạo siêu dữ liệu cho bộ phân loại hình ảnh bằng API Trình ghi siêu dữ liệu TensorFlow Lite .
Các mô hình phân loại hình ảnh tương thích phải đáp ứng các yêu cầu sau:
Tenxơ hình ảnh đầu vào (kTfLiteUInt8/kTfLiteFloat32)
- hình ảnh đầu vào có kích thước
[batch x height x width x channels]
. - suy luận hàng loạt không được hỗ trợ (
batch
buộc phải là 1). - chỉ hỗ trợ đầu vào RGB (
channels
bắt buộc phải là 3). - nếu loại là kTfLiteFloat32 thì bắt buộc phải đính kèm NormalizationOptions vào siêu dữ liệu để chuẩn hóa đầu vào.
- hình ảnh đầu vào có kích thước
Tenor điểm đầu ra (kTfLiteUInt8/kTfLiteFloat32)
- với
N
lớp và 2 hoặc 4 chiều, tức là[1 x N]
hoặc[1 x 1 x 1 x N]
- (các) bản đồ nhãn tùy chọn (nhưng được khuyến nghị) dưới dạng AssociatedFile-s với loại TENSOR_AXIS_LABELS, chứa một nhãn trên mỗi dòng. Xem tệp nhãn mẫu . Tệp liên kết đầu tiên (nếu có) được sử dụng để điền vào trường
label
(được đặt tên làclass_name
trong C++) của kết quả. Trườngdisplay_name
được điền từ AssociatedFile (nếu có) có ngôn ngữ khớp với trườngdisplay_names_locale
củaImageClassifierOptions
được sử dụng tại thời điểm tạo ("en" theo mặc định, tức là tiếng Anh). Nếu không có sẵn những thứ này thì chỉ có trườngindex
của kết quả sẽ được điền.
- với