ইমেজ ক্লাসিফায়ার একত্রিত করুন

ইমেজ শ্রেণীবিভাগ হল মেশিন লার্নিং-এর একটি সাধারণ ব্যবহার যা একটি ছবিকে কী প্রতিনিধিত্ব করে তা শনাক্ত করতে। উদাহরণস্বরূপ, আমরা জানতে চাই যে প্রদত্ত ছবিতে কী ধরণের প্রাণী দেখা যাচ্ছে। একটি চিত্র কী প্রতিনিধিত্ব করে তা ভবিষ্যদ্বাণী করার কাজটিকে চিত্র শ্রেণীবিভাগ বলা হয়। একটি ইমেজ ক্লাসিফায়ারকে বিভিন্ন শ্রেণীর ইমেজ চিনতে প্রশিক্ষণ দেওয়া হয়। উদাহরণস্বরূপ, একটি মডেলকে তিনটি ভিন্ন ধরণের প্রাণীর প্রতিনিধিত্বকারী ফটোগুলি সনাক্ত করতে প্রশিক্ষণ দেওয়া হতে পারে: খরগোশ, হ্যামস্টার এবং কুকুর। ইমেজ ক্লাসিফায়ার সম্পর্কে আরও তথ্যের জন্য ইমেজ ক্লাসিফিকেশন ওভারভিউ দেখুন।

টাস্ক লাইব্রেরি ImageClassifier এপিআই ব্যবহার করুন আপনার কাস্টম ইমেজ ক্লাসিফায়ার বা আপনার মোবাইল অ্যাপে প্রিট্রেইনড ডিপ্লোয় করার জন্য।

ImageClassifier API-এর মূল বৈশিষ্ট্য

• ইনপুট ইমেজ প্রক্রিয়াকরণ, ঘূর্ণন, আকার পরিবর্তন, এবং রঙ স্থান রূপান্তর সহ।

• ইনপুট চিত্রের আগ্রহের অঞ্চল।

• মানচিত্র লোকেল লেবেল করুন।

• ফলাফল ফিল্টার করতে স্কোর থ্রেশহোল্ড।

• টপ-কে শ্রেণীবিভাগের ফলাফল।

• লেবেল অনুমোদিত তালিকা এবং অস্বীকৃত।

সমর্থিত ইমেজ ক্লাসিফায়ার মডেল

নিম্নলিখিত মডেলগুলি ImageClassifier API-এর সাথে সামঞ্জস্যপূর্ণ হওয়ার গ্যারান্টিযুক্ত।

• ছবির শ্রেণীবিভাগের জন্য TensorFlow Lite Model Maker দ্বারা তৈরি মডেলগুলি৷

• টেনসরফ্লো হাবের পূর্বপ্রশিক্ষিত চিত্র শ্রেণীবিভাগের মডেলগুলি ৷

• অটোএমএল ভিশন এজ ইমেজ শ্রেণীবিভাগ দ্বারা তৈরি মডেল।

• কাস্টম মডেল যা মডেল সামঞ্জস্যের প্রয়োজনীয়তা পূরণ করে।

জাভাতে অনুমান চালান

একটি অ্যান্ড্রয়েড অ্যাপে ImageClassifier কীভাবে ব্যবহার করবেন তার উদাহরণের জন্য চিত্র শ্রেণীবিভাগের রেফারেন্স অ্যাপটি দেখুন।

ধাপ 1: Gradle নির্ভরতা এবং অন্যান্য সেটিংস আমদানি করুন

.tflite মডেল ফাইলটি Android মডিউলের সম্পদ ডিরেক্টরিতে অনুলিপি করুন যেখানে মডেলটি চালানো হবে৷ নির্দিষ্ট করুন যে ফাইলটি সংকুচিত করা উচিত নয়, এবং মডিউলের build.gradle ফাইলে TensorFlow Lite লাইব্রেরি যোগ করুন:

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'
}

ধাপ 2: মডেল ব্যবহার

// Initialization
ImageClassifierOptions options =
    ImageClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ImageClassifier imageClassifier =
    ImageClassifier.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Classifications> results = imageClassifier.classify(image);

ImageClassifier কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড এবং javadoc দেখুন।

iOS এ অনুমান চালান

ধাপ 1: নির্ভরতা ইনস্টল করুন

টাস্ক লাইব্রেরি CocoaPods ব্যবহার করে ইনস্টলেশন সমর্থন করে। আপনার সিস্টেমে CocoaPods ইনস্টল করা আছে তা নিশ্চিত করুন। নির্দেশাবলীর জন্য অনুগ্রহ করে CocoaPods ইনস্টলেশন গাইড দেখুন।

একটি Xcode প্রকল্পে পড যোগ করার বিষয়ে বিস্তারিত জানার জন্য অনুগ্রহ করে CocoaPods গাইড দেখুন।

Podfile এ TensorFlowLiteTaskVision পড যোগ করুন।

target 'MyAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskVision'
end

নিশ্চিত করুন যে আপনি অনুমানের জন্য যে .tflite মডেলটি ব্যবহার করবেন তা আপনার অ্যাপ বান্ডেলে উপস্থিত রয়েছে।

ধাপ 2: মডেল ব্যবহার

সুইফট

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "birds_V1",
                                            ofType: "tflite") else { return }

let options = ImageClassifierOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let classifier = try ImageClassifier.classifier(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: "sparrow.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let classificationResults = try classifier.classify(mlImage: mlImage)

উদ্দেশ্য গ

// Imports
#import <TensorFlowLiteTaskVision/TensorFlowLiteTaskVision.h>

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"birds_V1" ofType:@"tflite"];

TFLImageClassifierOptions *options =
    [[TFLImageClassifierOptions alloc] initWithModelPath:modelPath];

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLImageClassifier *classifier = [TFLImageClassifier imageClassifierWithOptions:options
                                                                          error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"sparrow.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
TFLClassificationResult *classificationResult =
    [classifier classifyWithGMLImage:gmlImage error:nil];

TFLImageClassifier কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড দেখুন।

পাইথনে অনুমান চালান

ধাপ 1: পিপ প্যাকেজ ইনস্টল করুন

pip install tflite-support

ধাপ 2: মডেল ব্যবহার

# 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)
classification_options = processor.ClassificationOptions(max_results=2)
options = vision.ImageClassifierOptions(base_options=base_options, classification_options=classification_options)
classifier = vision.ImageClassifier.create_from_options(options)

# Alternatively, you can create an image classifier in the following manner:
# classifier = vision.ImageClassifier.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

ImageClassifier কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড দেখুন।

C++ এ অনুমান চালান

// Initialization
ImageClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::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 ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

ImageClassifier কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড দেখুন।

উদাহরণ ফলাফল

এখানে একটি পাখি শ্রেণিবিন্যাসকারীর শ্রেণীবিভাগ ফলাফলের একটি উদাহরণ।

Results:
  Rank #0:
   index       : 671
   score       : 0.91406
   class name  : /m/01bwb9
   display name: Passer domesticus
  Rank #1:
   index       : 670
   score       : 0.00391
   class name  : /m/01bwbt
   display name: Passer montanus
  Rank #2:
   index       : 495
   score       : 0.00391
   class name  : /m/0bwm6m
   display name: Passer italiae

আপনার নিজস্ব মডেল এবং পরীক্ষার ডেটা সহ ImageClassifier-এর জন্য সাধারণ CLI ডেমো টুল ব্যবহার করে দেখুন।

মডেল সামঞ্জস্যের প্রয়োজনীয়তা

ImageClassifier API বাধ্যতামূলক TFLite মডেল মেটাডেটা সহ একটি TFLite মডেল আশা করে। TensorFlow Lite Metadata Writer API ব্যবহার করে ইমেজ ক্লাসিফায়ারের জন্য মেটাডেটা তৈরির উদাহরণ দেখুন।

সামঞ্জস্যপূর্ণ ইমেজ ক্লাসিফায়ার মডেল নিম্নলিখিত প্রয়োজনীয়তা পূরণ করা উচিত:

• ইনপুট ইমেজ টেনসর (kTfLiteUInt8/kTfLiteFloat32)

  • আকারের ইমেজ ইনপুট [batch x height x width x channels] ।
  • ব্যাচ অনুমান সমর্থিত নয় ( batch 1 হতে হবে)।
  • শুধুমাত্র RGB ইনপুট সমর্থিত ( channels 3 হতে হবে)।
  • টাইপ kTfLiteFloat32 হলে, ইনপুট স্বাভাবিককরণের জন্য মেটাডেটার সাথে স্বাভাবিককরণ বিকল্পগুলি সংযুক্ত করা প্রয়োজন।

• আউটপুট স্কোর টেনসর (kTfLiteUInt8/kTfLiteFloat32)

  • N ক্লাস এবং 2 বা 4 মাত্রা সহ, যেমন [1 x N] বা [1 x 1 x 1 x N]
  • ঐচ্ছিক (কিন্তু প্রস্তাবিত) লেবেল মানচিত্র(গুলি) AssociatedFile-s টাইপ TENSOR_AXIS_LABELS সহ, প্রতি লাইনে একটি লেবেল রয়েছে৷ উদাহরণ লেবেল ফাইল দেখুন। ফলাফলের label ক্ষেত্র (C++ এ class_name হিসাবে নামকরণ করা হয়েছে) পূরণ করতে প্রথম যেমন AssociatedFile (যদি থাকে) ব্যবহার করা হয়। display_name ক্ষেত্রটি অ্যাসোসিয়েটেডফাইল (যদি থাকে) থেকে পূর্ণ হয় যার লোকেল নির্মাণের সময় ব্যবহৃত ImageClassifierOptions এর display_names_locale ক্ষেত্রের সাথে মেলে ("en" ডিফল্টরূপে, যেমন ইংরেজি)। এগুলোর কোনোটিই পাওয়া না গেলে, শুধুমাত্র ফলাফলের index ক্ষেত্রটি পূরণ করা হবে।