Os segmentadores de imagem preveem se cada pixel de uma imagem está associado a uma determinada classe. Isso contrasta com a detecção de objetos , que detecta objetos em regiões retangulares, e a classificação de imagens, que classifica a imagem geral. Consulte a visão geral da segmentação de imagens para obter mais informações sobre segmentadores de imagens.
Use a API ImageSegmenter
da biblioteca de tarefas para implantar seus segmentadores de imagem personalizados ou pré-treinados em seus aplicativos móveis.
Principais recursos da API ImageSegmenter
Processamento de imagem de entrada, incluindo rotação, redimensionamento e conversão de espaço de cores.
Local do mapa de rótulos.
Dois tipos de saída, máscara de categoria e máscaras de confiança.
Etiqueta colorida para fins de exibição.
Modelos de segmentador de imagem compatíveis
Os modelos a seguir são compatíveis com a API ImageSegmenter
.
Os modelos de segmentação de imagem pré-treinados no TensorFlow Hub .
Modelos personalizados que atendem aos requisitos de compatibilidade do modelo .
Executar inferência em Java
Consulte o aplicativo de referência Image Segmentation para obter um exemplo de como usar ImageSegmenter
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
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);
Consulte o código-fonte e o javadoc para obter mais opções para configurar o ImageSegmenter
.
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: "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)
Objetivo 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];
Consulte o código-fonte para obter mais opções para configurar o TFLImageSegmenter
.
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)
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)
Consulte o código-fonte para obter mais opções para configurar ImageSegmenter
.
Executar inferência em 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();
Consulte o código-fonte para obter mais opções para configurar ImageSegmenter
.
Resultados de exemplo
Aqui está um exemplo dos resultados de segmentação do deeplab_v3 , um modelo de segmentação genérico disponível no 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.
A máscara de categoria de segmentação deve ser semelhante a:
Experimente a ferramenta de demonstração CLI simples para ImageSegmenter com seu próprio modelo e dados de teste.
Requisitos de compatibilidade do modelo
A API ImageSegmenter
espera um modelo TFLite com metadados de modelo TFLite obrigatórios. Veja exemplos de criação de metadados para segmentadores de imagem usando a API do Gravador de metadados do TensorFlow Lite .
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.
- entrada de imagem de tamanho
Tensor de máscaras de saída: (kTfLiteUInt8/kTfLiteFloat32)
- tensor de tamanho
[batch x mask_height x mask_width x num_classes]
, ondebatch
deve ser 1,mask_width
emask_height
são as dimensões das máscaras de segmentação produzidas pelo modelo enum_classes
é o número de classes suportadas pelo modelo. - mapa(s) de rótulos opcionais (mas recomendados) podem ser anexados como AssociatedFile-s com o tipo TENSOR_AXIS_LABELS, contendo um rótulo por linha. O primeiro AssociatedFile (se houver) é usado para preencher o campo de
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
doImageSegmenterOptions
usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo deindex
dos resultados será preenchido.
- tensor de tamanho