Integrar classificadores de imagem

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 imagem . Um classificador de imagens é treinado para reconhecer várias classes de imagens. Por exemplo, um modelo pode ser treinado para reconhecer fotos que representam três tipos diferentes de animais: coelhos, hamsters e cães. Consulte a visão geral da classificação de imagens para obter mais informações sobre classificadores de imagens.

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.

  • Rotular lista de permissões e lista de negações.

Modelos de classificador de imagem compatíveis

Os modelos a seguir são compatíveis com a API ImageClassifier .

Executar inferência em Java

Consulte o aplicativo de referência Image Classification 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 assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do 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/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];

Consulte o código-fonte para obter mais opções para configurar o TFLImageClassifier .

Executar inferência em Python

Etapa 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_file);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// 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 de classificação de um classificador de pássaros .

pardal

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 imagens usando a API do Gravador de metadados do TensorFlow Lite .

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 de lote não é suportada (o batch deve ser 1).
    • apenas entradas RGB são suportadas (os channels devem ser 3).
    • se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexadas aos metadados para normalização de entrada.
  • 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 rótulo opcional (mas recomendado) como AssociatedFile-s com tipo TENSOR_AXIS_LABELS, contendo um rótulo por linha. Veja o arquivo de etiqueta de exemplo . O primeiro AssociatedFile (se houver) é usado para preencher o campo de label (nomeado como class_name em C++) dos resultados. O campo display_name é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao campo display_names_locale do ImageClassifierOptions usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo de index dos resultados será preenchido.
,

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 imagem . Um classificador de imagens é treinado para reconhecer várias classes de imagens. Por exemplo, um modelo pode ser treinado para reconhecer fotos que representam três tipos diferentes de animais: coelhos, hamsters e cães. Consulte a visão geral da classificação de imagens para obter mais informações sobre classificadores de imagens.

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.

  • Rotular lista de permissões e lista de negações.

Modelos de classificador de imagem compatíveis

Os modelos a seguir são compatíveis com a API ImageClassifier .

Executar inferência em Java

Consulte o aplicativo de referência Image Classification 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 assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do 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/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];

Consulte o código-fonte para obter mais opções para configurar o TFLImageClassifier .

Executar inferência em Python

Etapa 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_file);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// 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 de classificação de um classificador de pássaros .

pardal

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 imagens usando a API do Gravador de metadados do TensorFlow Lite .

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 de lote não é suportada (o batch deve ser 1).
    • apenas entradas RGB são suportadas (os channels devem ser 3).
    • se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexadas aos metadados para normalização de entrada.
  • 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 rótulo opcional (mas recomendado) como AssociatedFile-s com tipo TENSOR_AXIS_LABELS, contendo um rótulo por linha. Veja o arquivo de etiqueta de exemplo . O primeiro AssociatedFile (se houver) é usado para preencher o campo de label (nomeado como class_name em C++) dos resultados. O campo display_name é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao campo display_names_locale do ImageClassifierOptions usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo de index dos resultados será preenchido.