Integrar segmentadores de imagem

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 .

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/TFLTaskVision.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.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)

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.

avião

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:

saída de segmentação

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.
  • Tensor de máscaras de saída: (kTfLiteUInt8/kTfLiteFloat32)

    • tensor de tamanho [batch x mask_height x mask_width x num_classes] , onde batch deve ser 1, mask_width e mask_height são as dimensões das máscaras de segmentação produzidas pelo modelo e num_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 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 ImageSegmenterOptions 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.