Segmentatory obrazu przewidują, czy każdy piksel obrazu jest powiązany z określoną klasą. Kontrastuje to z wykrywaniem obiektów , które wykrywa obiekty w obszarach prostokątnych, oraz klasyfikacją obrazu , która klasyfikuje cały obraz. Więcej informacji na temat segmentatorów obrazów można znaleźć w omówieniu segmentacji obrazu.
Użyj interfejsu API ImageSegmenter
biblioteki zadań, aby wdrożyć niestandardowe segmentatory obrazów lub wstępnie wytrenowane w aplikacjach mobilnych.
Kluczowe cechy API ImageSegmenter
Przetwarzanie obrazu wejściowego, w tym obracanie, zmiana rozmiaru i konwersja przestrzeni kolorów.
Oznacz lokalizację mapy.
Dwa typy wyników, maska kategorii i maski pewności.
Kolorowa etykieta do celów wystawowych.
Obsługiwane modele segmentatora obrazu
Gwarantujemy kompatybilność następujących modeli z API ImageSegmenter
.
Wstępnie wyszkolone modele segmentacji obrazu w TensorFlow Hub .
Modele niestandardowe spełniające wymagania dotyczące kompatybilności modeli .
Uruchom wnioskowanie w Javie
Zobacz aplikację referencyjną Image Segmentation, aby zapoznać się z przykładem użycia ImageSegmenter
w aplikacji na Androida.
Krok 1: Zaimportuj zależność Gradle i inne ustawienia
Skopiuj plik modelu .tflite
do katalogu zasobów modułu Android, w którym model będzie uruchamiany. Określ, że plik nie powinien być kompresowany i dodaj bibliotekę TensorFlow Lite do pliku build.gradle
modułu:
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'
}
Krok 2: Korzystanie z modelu
// Initialization
ImageSegmenterOptions options =
ImageSegmenterOptions.builder()
.setBaseOptions(BaseOptions.builder().useGpu().build())
.setOutputType(OutputType.CONFIDENCE_MASK)
.build();
ImageSegmenter imageSegmenter =
ImageSegmenter.createFromFileAndOptions(context, modelFile, options);
// Run inference
List<Segmentation> results = imageSegmenter.segment(image);
Zobacz kod źródłowy i javadoc, aby uzyskać więcej opcji konfiguracji ImageSegmenter
.
Uruchom wnioskowanie w systemie iOS
Krok 1: Zainstaluj zależności
Biblioteka zadań obsługuje instalację przy użyciu CocoaPods. Upewnij się, że CocoaPods jest zainstalowany w twoim systemie. Instrukcje znajdziesz w instrukcji instalacji CocoaPods .
Szczegółowe informacje na temat dodawania kapsuł do projektu Xcode można znaleźć w przewodniku CocoaPods .
Dodaj moduł TensorFlowLiteTaskVision
do pliku Podfile.
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
Upewnij się, że model .tflite
, którego będziesz używać do wnioskowania, znajduje się w pakiecie aplikacji.
Krok 2: Korzystanie z modelu
Szybki
// Imports
import TensorFlowLiteTaskVision
// Initialization
guard let modelPath = Bundle.main.path(forResource: "deeplabv3",
ofType: "tflite") else { return }
let options = ImageSegmenterOptions(modelPath: modelPath)
// Configure any additional options:
// options.outputType = OutputType.confidenceMasks
let segmenter = try ImageSegmenter.segmenter(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: "plane.jpg"), let mlImage = MLImage(image: image) else { return }
// Run inference
let segmentationResult = try segmenter.segment(mlImage: mlImage)
Cel C
// Imports
#import <TensorFlowLiteTaskVision/TensorFlowLiteTaskVision.h>
// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"deeplabv3" ofType:@"tflite"];
TFLImageSegmenterOptions *options =
[[TFLImageSegmenterOptions alloc] initWithModelPath:modelPath];
// Configure any additional options:
// options.outputType = TFLOutputTypeConfidenceMasks;
TFLImageSegmenter *segmenter = [TFLImageSegmenter imageSegmenterWithOptions:options
error:nil];
// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"plane.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
TFLSegmentationResult *segmentationResult =
[segmenter segmentWithGMLImage:gmlImage error:nil];
Zobacz kod źródłowy , aby uzyskać więcej opcji konfiguracji TFLImageSegmenter
.
Uruchom wnioskowanie w Pythonie
Krok 1: Zainstaluj pakiet pip
pip install tflite-support
Krok 2: Korzystanie z modelu
# 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)
segmentation_options = processor.SegmentationOptions(
output_type=processor.SegmentationOptions.output_type.CATEGORY_MASK)
options = vision.ImageSegmenterOptions(base_options=base_options, segmentation_options=segmentation_options)
segmenter = vision.ImageSegmenter.create_from_options(options)
# Alternatively, you can create an image segmenter in the following manner:
# segmenter = vision.ImageSegmenter.create_from_file(model_path)
# Run inference
image_file = vision.TensorImage.create_from_file(image_path)
segmentation_result = segmenter.segment(image_file)
Zobacz kod źródłowy , aby uzyskać więcej opcji konfiguracji ImageSegmenter
.
Uruchom wnioskowanie w C++
// Initialization
ImageSegmenterOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageSegmenter> image_segmenter = ImageSegmenter::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 SegmentationResult result = image_segmenter->Segment(*frame_buffer).value();
Zobacz kod źródłowy , aby uzyskać więcej opcji konfiguracji ImageSegmenter
.
Przykładowe wyniki
Oto przykład wyników segmentacji deeplab_v3 , ogólnego modelu segmentacji dostępnego w TensorFlow Hub.
Color Legend:
(r: 000, g: 000, b: 000):
index : 0
class name : background
(r: 128, g: 000, b: 000):
index : 1
class name : aeroplane
# (omitting multiple lines for conciseness) ...
(r: 128, g: 192, b: 000):
index : 19
class name : train
(r: 000, g: 064, b: 128):
index : 20
class name : tv
Tip: use a color picker on the output PNG file to inspect the output mask with
this legend.
Maska kategorii segmentacji powinna wyglądać następująco:
Wypróbuj proste narzędzie demonstracyjne CLI dla ImageSegmenter z własnym modelem i danymi testowymi.
Wymagania dotyczące kompatybilności modelu
Interfejs API ImageSegmenter
oczekuje modelu TFLite z obowiązkowymi metadanymi modelu TFLite . Zobacz przykłady tworzenia metadanych dla segmentatorów obrazów przy użyciu interfejsu API narzędzia do zapisywania metadanych TensorFlow Lite .
Tensor obrazu wejściowego (kTfLiteUInt8/kTfLiteFloat32)
- wprowadzanie obrazu o rozmiarze
[batch x height x width x channels]
. - wnioskowanie wsadowe nie jest obsługiwane (wymagana jest
batch
1). - obsługiwane są tylko wejścia RGB (wymagane są 3
channels
). - jeśli typ to kTfLiteFloat32, do metadanych należy dołączyć opcje NormalizationOptions w celu normalizacji danych wejściowych.
- wprowadzanie obrazu o rozmiarze
Tensor masek wyjściowych: (kTfLiteUInt8/kTfLiteFloat32)
- tensor rozmiaru
[batch x mask_height x mask_width x num_classes]
, gdziebatch
musi wynosić 1,mask_width
imask_height
to wymiary masek segmentacji tworzonych przez model, anum_classes
to liczba klas obsługiwanych przez model. - opcjonalne (ale zalecane) mapy etykiet można dołączyć jako pliki AssociatedFile typu TENSOR_AXIS_LABELS, zawierające jedną etykietę w linii. Pierwszy taki AssociatedFile (jeśli istnieje) jest używany do wypełnienia pola
label
(nazwanego jakoclass_name
w C++) wyników. Poledisplay_name
jest wypełniane z pliku AssociatedFile (jeśli istnieje), którego ustawienia regionalne odpowiadają poludisplay_names_locale
ImageSegmenterOptions
użytej w czasie tworzenia (domyślnie „en”, tj. angielski). Jeśli żadne z nich nie jest dostępne, wypełnione zostanie jedynie poleindex
wyników.
- tensor rozmiaru