Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Перенос художественного стиля с помощью TensorFlow Lite

Посмотреть на TensorFlow.org Запускаем в Google Colab Посмотреть исходный код на GitHub Скачать блокнот См. Модель TF Hub

Одним из самых захватывающих событий в глубоком обучении , чтобы выйти в последнее время является художественной передачей стиля , или способности создать новый образ, известный как стилизация , основанный на два входных изображениях: один , представляющий художественный стиль и один , представляющую содержимое.

Пример переноса стиля

Используя эту технику, мы можем создавать новые красивые произведения искусства в различных стилях.

Пример переноса стиля

Если вы новичок в TensorFlow Lite и работаете с Android, мы рекомендуем изучить следующие примеры приложений, которые помогут вам начать работу.

Android пример IOS пример

Если вы используете платформу другой , чем Android или IOS, или вы уже знакомы с Lite API , TensorFlow , вы можете следить за этот учебник , чтобы узнать , как применить передачу стиля на любой паре содержания и стиля изображения с заранее подготовленных TensorFlow Lite модель. Вы можете использовать модель, чтобы добавить перенос стиля в свои собственные мобильные приложения.

Модель с открытым кодом на GitHub . Вы можете переобучить модель с другими параметрами (например, увеличить веса слоев содержимого, чтобы выходное изображение больше походило на изображение содержимого).

Понять архитектуру модели

Модель Архитектура

Эта модель передачи художественного стиля состоит из двух подмоделей:

  1. Стиль Prediciton Модель: A MobilenetV2 на основе нейронной сети , которая принимает изображение ввода стиля в стиль узкого вектора в 100-измерения.
  2. Стиль Transform Model: нейронная сеть , которая принимает применить вектор стиля узкого места на изображение контента и создает стилизованное изображение.

Если ваше приложение должно поддерживать только фиксированный набор изображений стиля, вы можете заранее вычислить их векторы узких мест и исключить модель прогнозирования стиля из двоичного файла приложения.

Настраивать

Импортируйте зависимости.

import tensorflow as tf
print(tf.__version__)
2.6.0
import IPython.display as display

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['figure.figsize'] = (12,12)
mpl.rcParams['axes.grid'] = False

import numpy as np
import time
import functools

Загрузите изображения содержимого и стилей, а также предварительно обученные модели TensorFlow Lite.

content_path = tf.keras.utils.get_file('belfry.jpg','https://storage.googleapis.com/khanhlvg-public.appspot.com/arbitrary-style-transfer/belfry-2611573_1280.jpg')
style_path = tf.keras.utils.get_file('style23.jpg','https://storage.googleapis.com/khanhlvg-public.appspot.com/arbitrary-style-transfer/style23.jpg')

style_predict_path = tf.keras.utils.get_file('style_predict.tflite', 'https://tfhub.dev/google/lite-model/magenta/arbitrary-image-stylization-v1-256/int8/prediction/1?lite-format=tflite')
style_transform_path = tf.keras.utils.get_file('style_transform.tflite', 'https://tfhub.dev/google/lite-model/magenta/arbitrary-image-stylization-v1-256/int8/transfer/1?lite-format=tflite')
Downloading data from https://storage.googleapis.com/khanhlvg-public.appspot.com/arbitrary-style-transfer/belfry-2611573_1280.jpg
458752/458481 [==============================] - 0s 0us/step
466944/458481 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/khanhlvg-public.appspot.com/arbitrary-style-transfer/style23.jpg
114688/108525 [===============================] - 0s 0us/step
122880/108525 [=================================] - 0s 0us/step
Downloading data from https://tfhub.dev/google/lite-model/magenta/arbitrary-image-stylization-v1-256/int8/prediction/1?lite-format=tflite
2834432/2828838 [==============================] - 0s 0us/step
2842624/2828838 [==============================] - 0s 0us/step
Downloading data from https://tfhub.dev/google/lite-model/magenta/arbitrary-image-stylization-v1-256/int8/transfer/1?lite-format=tflite
286720/284398 [==============================] - 0s 0us/step
294912/284398 [===============================] - 0s 0us/step

Предварительная обработка входных данных

  • Изображение содержимого и изображение стиля должны быть изображениями RGB со значениями пикселей, являющимися числами float32 между [0..1].
  • Размер изображения стиля должен быть (1, 256, 256, 3). Мы обрезаем изображение по центру и меняем его размер.
  • Изображение содержимого должно быть (1, 384, 384, 3). Мы обрезаем изображение по центру и меняем его размер.
# Function to load an image from a file, and add a batch dimension.
def load_img(path_to_img):
  img = tf.io.read_file(path_to_img)
  img = tf.io.decode_image(img, channels=3)
  img = tf.image.convert_image_dtype(img, tf.float32)
  img = img[tf.newaxis, :]

  return img

# Function to pre-process by resizing an central cropping it.
def preprocess_image(image, target_dim):
  # Resize the image so that the shorter dimension becomes 256px.
  shape = tf.cast(tf.shape(image)[1:-1], tf.float32)
  short_dim = min(shape)
  scale = target_dim / short_dim
  new_shape = tf.cast(shape * scale, tf.int32)
  image = tf.image.resize(image, new_shape)

  # Central crop the image.
  image = tf.image.resize_with_crop_or_pad(image, target_dim, target_dim)

  return image

# Load the input images.
content_image = load_img(content_path)
style_image = load_img(style_path)

# Preprocess the input images.
preprocessed_content_image = preprocess_image(content_image, 384)
preprocessed_style_image = preprocess_image(style_image, 256)

print('Style Image Shape:', preprocessed_style_image.shape)
print('Content Image Shape:', preprocessed_content_image.shape)
Style Image Shape: (1, 256, 256, 3)
Content Image Shape: (1, 384, 384, 3)

Визуализируйте входы

def imshow(image, title=None):
  if len(image.shape) > 3:
    image = tf.squeeze(image, axis=0)

  plt.imshow(image)
  if title:
    plt.title(title)

plt.subplot(1, 2, 1)
imshow(preprocessed_content_image, 'Content Image')

plt.subplot(1, 2, 2)
imshow(preprocessed_style_image, 'Style Image')

PNG

Запустить перенос стилей с помощью TensorFlow Lite

Предсказание стиля

# Function to run style prediction on preprocessed style image.
def run_style_predict(preprocessed_style_image):
  # Load the model.
  interpreter = tf.lite.Interpreter(model_path=style_predict_path)

  # Set model input.
  interpreter.allocate_tensors()
  input_details = interpreter.get_input_details()
  interpreter.set_tensor(input_details[0]["index"], preprocessed_style_image)

  # Calculate style bottleneck.
  interpreter.invoke()
  style_bottleneck = interpreter.tensor(
      interpreter.get_output_details()[0]["index"]
      )()

  return style_bottleneck

# Calculate style bottleneck for the preprocessed style image.
style_bottleneck = run_style_predict(preprocessed_style_image)
print('Style Bottleneck Shape:', style_bottleneck.shape)
Style Bottleneck Shape: (1, 1, 1, 100)

Преобразование стиля

# Run style transform on preprocessed style image
def run_style_transform(style_bottleneck, preprocessed_content_image):
  # Load the model.
  interpreter = tf.lite.Interpreter(model_path=style_transform_path)

  # Set model input.
  input_details = interpreter.get_input_details()
  interpreter.allocate_tensors()

  # Set model inputs.
  interpreter.set_tensor(input_details[0]["index"], preprocessed_content_image)
  interpreter.set_tensor(input_details[1]["index"], style_bottleneck)
  interpreter.invoke()

  # Transform content image.
  stylized_image = interpreter.tensor(
      interpreter.get_output_details()[0]["index"]
      )()

  return stylized_image

# Stylize the content image using the style bottleneck.
stylized_image = run_style_transform(style_bottleneck, preprocessed_content_image)

# Visualize the output.
imshow(stylized_image, 'Stylized Image')

PNG

Смешивание стилей

Мы можем смешать стиль изображения содержимого со стилизованным выводом, что, в свою очередь, сделает вывод больше похожим на изображение содержимого.

# Calculate style bottleneck of the content image.
style_bottleneck_content = run_style_predict(
    preprocess_image(content_image, 256)
    )
# Define content blending ratio between [0..1].
# 0.0: 0% style extracts from content image.
# 1.0: 100% style extracted from content image.
content_blending_ratio = 0.5

# Blend the style bottleneck of style image and content image
style_bottleneck_blended = content_blending_ratio * style_bottleneck_content \
                           + (1 - content_blending_ratio) * style_bottleneck

# Stylize the content image using the style bottleneck.
stylized_image_blended = run_style_transform(style_bottleneck_blended,
                                             preprocessed_content_image)

# Visualize the output.
imshow(stylized_image_blended, 'Blended Stylized Image')

PNG

Тесты производительности

Номера тестов производительности создаются с помощью инструмента , описанного здесь .

Наименование модели Размер модели Устройство ННАПИ Процессор GPU
Модель прогнозирования стиля (int8) 2,8 Мб Pixel 3 (Android 10) 142 мс 14 мс
Pixel 4 (Android 10) 5,2 мс 6,7 мс
iPhone XS (iOS 12.4.1) 10,7 мс
Модель преобразования стиля (int8) 0,2 Мб Pixel 3 (Android 10) 540 мс
Pixel 4 (Android 10) 405 мс
iPhone XS (iOS 12.4.1) 251 мс
Модель прогнозирования стиля (float16) 4,7 Мб Pixel 3 (Android 10) 86 мс 28 мс 9,1 мс
Pixel 4 (Android 10) 32 мс 12 мс 10 мс
Модель переноса стиля (float16) 0,4 Мб Pixel 3 (Android 10) 1095 мс 545 мс 42 мс
Pixel 4 (Android 10) 603 мс 377 мс 42 мс

* Использовано 4 нитки.
** 2 потока на iPhone для лучшей производительности.