Attend the Women in ML Symposium on December 7 Register now

集成图像搜索器

图像搜索允许在图像数据库中搜索相似的图像。它的工作原理是将搜索查询嵌入到表示查询语义的高维向量中,然后在预定义的自定义索引中使用 ScaNN(可扩缩最近邻)进行相似度搜索。

图像分类不同,扩展可识别项的数量不需要重新训练整个模型。只需重新构建索引即可添加新项。这还可以处理更大的(超过 10 万项)图像数据库。

使用 Task Library ImageSearcher API 将您的自定义图像搜索器部署到您的移动应用中。

ImageSearcher API 的主要功能

  • 将单个图像作为输入,在索引中执行嵌入向量提取和最近邻搜索。

  • 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。

前提条件

在使用 ImageSearcher API 之前,需要基于要搜索的自定义图片语料库构建索引。这可以使用 Model Maker Searcher API 按照并改编教程来实现。

为此,您需要进行以下准备:

完成这一步后,您应该有了一个独立的 TFLite 搜索器模型(例如,mobilenet_v3_searcher.tflite),它是原始的图像嵌入器模型,并将索引附加到 TFLite 模型元数据中。

用 Java 运行推断

步骤 1:导入 Gradle 依赖项和其他设置

.tflite 搜索器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 index 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:0.4.0'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.0'
}

第 2 步:使用模型

// Initialization
ImageSearcherOptions options =
    ImageSearcherOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setSearcherOptions(
            SearcherOptions.builder().setL2Normalize(true).build())
        .build();
ImageSearcher imageSearcher =
    ImageSearcher.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<NearestNeighbor> results = imageSearcher.search(image);

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

用 C++ 运行推断

// Initialization
ImageSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<ImageSearcher> image_searcher = ImageSearcher::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 SearchResult result = image_searcher->Search(*frame_buffer).value();

请参阅源代码,了解有关配置 ImageSearcher 的更多选项。

用 Python 运行推断

第 1 步:安装 TensorFlow Lite Support Pypi 软件包

您可以使用以下命令安装 TensorFlow Lite Support Pypi 软件包:

pip install tflite-support

第 2 步:使用模型

from tflite_support.task import vision

# Initialization
image_searcher = vision.ImageSearcher.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_file)
result = image_searcher.search(image)

请参阅源代码,了解有关配置 ImageSearcher 的更多选项。

结果示例

Results:
 Rank#0:
  metadata: burger
  distance: 0.13452
 Rank#1:
  metadata: car
  distance: 1.81935
 Rank#2:
  metadata: bird
  distance: 1.96617
 Rank#3:
  metadata: dog
  distance: 2.05610
 Rank#4:
  metadata: cat
  distance: 2.06347

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