Have a question? Connect with the community at the TensorFlow Forum Visit Forum

集成图像分类器

图像分类是机器学习的一种常见用途,用于识别图像所代表的内容。例如,我们可能想知道一张给定的图片中出现了哪种类型的动物。预测图像所代表的内容的任务称为图像分类。图像分类器经过训练,可以识别各种类别的图像。例如,可以训练一个模型来识别代表三种不同类型动物的照片:兔子、仓鼠和狗。有关图像分类器的详细信息,请参阅图像分类简介

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

ImageClassifier 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。

  • 输入图像的感兴趣区域。

  • 标注映射区域。

  • 筛选结果的得分阈值。

  • Top-k 分类结果。

  • 标注允许列表和拒绝列表。

支持的图像分类器模型

以下模型保证可与 ImageClassifier API 兼容。

用 Java 运行推断

请参阅图像分类参考应用,获得如何在 Android 应用中使用 ImageClassifier 的示例。

步骤 1:导入 Gradle 依赖项和其他设置

.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
    implementation 'org.tensorflow:tensorflow-lite-task-vision:0.1.0'
}

步骤 2:使用模型

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

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

有关配置 ImageClassifier 的更多选项,请参阅源代码和 Javadoc

用 C++ 运行推断

注:我们正在改善 C++ Task Library 的可用性,如提供预先构建的二进制文件,并创建用户友好的工作流以从源代码进行构建。C++ API 可能会发生变化。

// Initialization
ImageClassifierOptions options;
options.mutable_model_file_with_metadata()->set_file_name(model_file);
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Run inference
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

有关配置 ImageClassifier 的更多选项,请参阅源代码

结果示例

下面是一个鸟类分类器的分类结果的示例。

sparrow

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

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

模型兼容性要求

ImageClassifier API 需要具有强制性 TFLite 模型元数据的 TFLite 模型。

兼容的图像分类器模型应满足以下要求:

  • 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。
  • 输出分数张量 (kTfLiteUInt8/kTfLiteFloat32)

    • 具有 N 个类和 2 或 4 个维度,即 [1 x N][1 x 1 x 1 x N]
    • 可选(但推荐)标签映射可作为 AssociatedFile-s,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++ 中命名为 class_name)。display_name 字段由其区域与创建时所用的 ImageClassifierOptionsdisplay_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,将仅填充结果中的 index 字段。