Attend the Women in ML Symposium on December 7 Register now

集成图像分类器

图像分类是机器学习的一种常见用途,用于识别图像所代表的内容。例如,我们可能想知道一张给定的图片中出现了哪种类型的动物。预测图像所代表内容的任务称为图像分类。图像分类器经过训练,可以识别各种类别的图像。例如,可以训练一个模型来识别代表三种不同类型动物的照片:兔子、仓鼠和狗。请参阅图像分类概述,了解有关图像分类器的详细信息。

使用 Task Library ImageClassifier API 可将自定义图像分类器或预训练图像分类器部署到您的模型应用中。

ImageClassifier API 的主要功能

  • 输入图像处理,包括旋转、调整大小和色彩空间转换。

  • 输入图像的感兴趣区域。

  • 标注映射区域。

  • 筛选结果的得分阈值。

  • Top-k 分类结果。

  • 标注允许列表和拒绝列表。

支持的图像分类器模型

以下模型保证可与 ImageClassifier API 兼容。

用 Java 运行推断

请参阅图像分类参考应用,获得如何在 Android 应用中使用 ImageClassifier 的示例。

步骤 1:导入 Gradle 依赖项和其他设置

.tflite 模型文件复制到将要运行模型的 Android 模块的资源目录下。指定不压缩该文件,并将 TensorFlow Lite 库添加到模块的 build.gradle 文件中。

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'
}

步骤 2:使用模型

// 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);

有关配置 ImageClassifier 的更多选项,请参阅源代码和 Javadoc

在 iOS 中运行推断

第 1 步:安装依赖项

Task Library 支持使用 CocoaPods 进行安装。请确保您的系统上已安装 CocoaPods。有关说明,请参阅 CocoaPods 安装指南

有关向 Xcode 项目添加 Pod 的详细信息,请参阅 CocoaPods 指南

在 Podfile 中添加 TensorFlowLiteTaskVision

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

请确保您的应用捆绑包中存在用于推断的 .tflite 模型。

第 2 步:使用模型

Swift

// 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)

Objective C

// Imports
#import <TensorFlowLiteTaskVision/TFLTaskVision.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];

请参阅源代码,了解有关配置 TFLImageClassifier 的更多选项。

用 Python 运行推断

第 1 步:安装 pip 软件包

pip install tflite-support

第 2 步:使用模型

# 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)

请参阅源代码,了解有关配置 ImageClassifier 的更多选项。

用 C++ 运行推断

// 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();

有关配置 ImageClassifier 的更多选项,请参阅源代码

结果示例

下面是一个鸟类分类器的分类结果的示例。

sparrow

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

用您自己的模型和测试数据试用简单的 ImageClassifier CLI 演示工具

模型兼容性要求

ImageClassifier API 需要具有强制性 TFLite Model Metadata 的 TFLite 模型。请参阅使用 TensorFlow Lite Metadata Writer API 为图像分类器创建元数据的示例。

兼容的图像分类器模型应满足以下要求:

  • 输入图像张量 (kTfLiteUInt8/kTfLiteFloat32)

    • 图像输入大小为 [batch x height x width x channels]
    • 不支持批量推断(batch 必须为 1)。
    • 仅支持 RGB 输入(channels 必须为 3)。
    • 如果类型为 kTfLiteFloat32,则必须将 NormalizationOptions 附加到元数据以进行输入归一化。
  • 输出分数张量 (kTfLiteUInt8/kTfLiteFloat32)

    • 具有 N 个类和 2 或 4 个维度,即 [1 x N][1 x 1 x 1 x N]
    • 可选(但推荐)标签映射可作为 AssociatedFile-s,类型为 TENSOR_AXIS_LABELS,每行包含一个标签。请参阅示例标签文件。第一个此类 AssociatedFile(如果有)用于填充结果的 label 字段(在 C++ 中命名为 class_name)。display_name 字段由其区域与创建时所用的 ImageClassifierOptionsdisplay_names_locale 字段(默认为“en”,即英语)相匹配的 AssociatedFile(如果有)填充。如果上述选项均不可用,将仅填充结果中的 index 字段。