A classificação de imagens é um uso comum do aprendizado de máquina para identificar o que uma imagem representa. Por exemplo, podemos querer saber que tipo de animal aparece em uma determinada imagem. A tarefa de prever o que uma imagem representa é chamada de classificação de imagens . Um classificador de imagens é treinado para reconhecer várias classes de imagens. Por exemplo, um modelo pode ser treinado para reconhecer fotos representando três tipos diferentes de animais: coelhos, hamsters e cachorros. Consulte a visão geral de classificação de imagem para obter mais informações sobre classificadores de imagem.
Use a API ImageClassifier
da biblioteca de tarefas para implantar seus classificadores de imagem personalizados ou pré-treinados em seus aplicativos móveis.
Principais recursos da API ImageClassifier
Processamento de imagem de entrada, incluindo rotação, redimensionamento e conversão de espaço de cores.
Região de interesse da imagem de entrada.
Local do mapa de rótulos.
Limite de pontuação para filtrar resultados.
Resultados da classificação Top-k.
Marcar lista de permissões e lista de proibições.
Modelos de classificador de imagens compatíveis
Os modelos a seguir são compatíveis com a API ImageClassifier
.
Modelos criados pelo TensorFlow Lite Model Maker para classificação de imagens .
Os modelos de classificação de imagem pré-treinados no TensorFlow Hub .
Modelos criados pelo AutoML Vision Edge Image Classification .
Modelos personalizados que atendem aos requisitos de compatibilidade do modelo .
Executar inferência em Java
Consulte o aplicativo de referência Classificação de imagens para obter um exemplo de como usar ImageClassifier
em um aplicativo Android.
Etapa 1: importar a dependência do Gradle e outras configurações
Copie o arquivo de modelo .tflite
para o diretório de ativos do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca TensorFlow Lite ao arquivo build.gradle
do módulo:
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'
}
Etapa 2: usando o modelo
// 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);
Consulte o código-fonte e o javadoc para obter mais opções para configurar ImageClassifier
.
Executar inferência no iOS
Etapa 1: instalar as dependências
A biblioteca de tarefas oferece suporte à instalação usando CocoaPods. Certifique-se de que o CocoaPods esteja instalado em seu sistema. Consulte o guia de instalação do CocoaPods para obter instruções.
Consulte o guia CocoaPods para obter detalhes sobre como adicionar pods a um projeto Xcode.
Adicione o pod TensorFlowLiteTaskVision
no Podfile.
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
Certifique-se de que o modelo .tflite
que você usará para inferência esteja presente em seu pacote de aplicativos.
Etapa 2: usando o modelo
Rápido
// 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)
Objetivo 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];
Consulte o código-fonte para obter mais opções para configurar TFLImageClassifier
.
Executar inferência em Python
Passo 1: Instale o pacote pip
pip install tflite-support
Etapa 2: usando o modelo
# 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)
Consulte o código-fonte para obter mais opções para configurar ImageClassifier
.
Executar inferência em 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();
Consulte o código-fonte para obter mais opções para configurar ImageClassifier
.
Resultados de exemplo
Aqui está um exemplo dos resultados da classificação de um classificador de pássaros .
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
Experimente a ferramenta de demonstração CLI simples para ImageClassifier com seu próprio modelo e dados de teste.
Requisitos de compatibilidade do modelo
A API ImageClassifier
espera um modelo TFLite com metadados de modelo TFLite obrigatórios. Veja exemplos de criação de metadados para classificadores de imagem usando a API TensorFlow Lite Metadata Writer .
Os modelos de classificadores de imagem compatíveis devem atender aos seguintes requisitos:
Tensor de imagem de entrada (kTfLiteUInt8/kTfLiteFloat32)
- entrada de imagem de tamanho
[batch x height x width x channels]
. - a inferência em lote não é suportada (
batch
deve ser 1). - apenas entradas RGB são suportadas (
channels
devem ser 3). - se o tipo for kTfLiteFloat32, NormalizationOptions deverão ser anexados aos metadados para normalização de entrada.
- entrada de imagem de tamanho
Tensor de pontuação de saída (kTfLiteUInt8/kTfLiteFloat32)
- com
N
classes e 2 ou 4 dimensões, ou seja[1 x N]
ou[1 x 1 x 1 x N]
- mapa(s) de rótulos opcionais (mas recomendados) como AssociatedFile-s com o tipo TENSOR_AXIS_LABELS, contendo um rótulo por linha. Consulte o arquivo de etiqueta de exemplo . O primeiro AssociatedFile (se houver) é usado para preencher o campo
label
(nomeado comoclass_name
em C++) dos resultados. O campodisplay_name
é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao campodisplay_names_locale
doImageClassifierOptions
usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campoindex
dos resultados será preenchido.
- com