集成图像分割器

图像分割器会预测图像中的每个像素是否与某个类相关联。这与目标检测（检测矩形区域中的目标）和图像分类（对整体图像进行分类）不同。请参阅图像分割概述，了解有关图像分割器的详细信息。

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

ImageSegmenter 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。
标注映射区域。
两种输出类型，类别掩码和置信掩码。
用于显示目的的彩色标签。

支持的图像分割器模型

以下模型保证可与 ImageSegmenter API 兼容。

TensorFlow Hub 上的预训练图像分割模型。
符合模型兼容性要求的自定义模型。

用 Java 运行推断

请参阅图像分割参考应用，获得如何在 Android 应用中使用 ImageSegmenter 的示例。

步骤 1：导入 Gradle 依赖项和其他设置

将 .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'
}

注：从 Android Gradle 插件的 4.1 版开始，默认情况下，.tflite 将被添加到 noCompress 列表中，不再需要上面的 aaptOptions。

步骤 2：使用模型

// 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);

有关配置 ImageSegmenter 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: "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)

Objective 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];

请参阅源代码，了解有关配置 TFLImageSegmenter 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)
segmentation_options = processor.SegmentationOptions(
    output_type=processor.SegmentationOptions.OutputType.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)

请参阅源代码，了解有关配置 ImageSegmenter 的更多选项。

用 C++ 运行推断

// 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();

有关配置 ImageSegmenter 的更多选项，请参阅源代码。

结果示例

下面是 TensorFlow Hub 上的通用分割模型 deeplab_v3 的分割结果的示例。

plane

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.

分割类别掩码应如下所示：

segmentation-output

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

模型兼容性要求

ImageSegmenter 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 为图像分割器创建元数据的示例。

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。
输出掩码张量 (kTfLiteUInt8/kTfLiteFloat32)
- 张量大小为 [batch x mask_height x mask_width x num_classes]，其中 batch 必须为 1，mask_width 和 mask_height 为模型产生的分割掩码的维度，num_classes 为模型支持的类数。
- 可选的（但推荐）标签映射可作为 AssociatedFile-s 进行附加，类型为 TENSOR_AXIS_LABELS，每行包含一个标签。第一个此类 AssociatedFile （如果有）用于填充结果的 label 字段（在 C++ 中，名称为 class_name）。display_name 字段由其区域与创建时所用的 ImageSegmenterOptions 的 display_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，则仅填充结果中的 index 字段。