La búsqueda de imágenes permite buscar imágenes similares en una base de datos de imágenes. Funciona incorporando la consulta de búsqueda en un vector de alta dimensión que representa el significado semántico de la consulta, seguido de una búsqueda de similitud en un índice personalizado predefinido utilizando ScaNN (vecinos escalables más cercanos).
A diferencia de la clasificación de imágenes , expandir la cantidad de elementos que se pueden reconocer no requiere volver a entrenar todo el modelo. Se pueden agregar nuevos elementos simplemente reconstruyendo el índice. Esto también permite trabajar con bases de datos de imágenes más grandes (más de 100 000 elementos).
Utilice la API ImageSearcher de la biblioteca de tareas para implementar su buscador de imágenes personalizado en sus aplicaciones móviles.
Características clave de la API de ImageSearcher
Toma una sola imagen como entrada, realiza la extracción incrustada y la búsqueda del vecino más cercano en el índice.
Procesamiento de imágenes de entrada, incluida la rotación, el cambio de tamaño y la conversión del espacio de color.
Región de interés de la imagen de entrada.
requisitos previos
Antes de usar la API de ImageSearcher , se debe crear un índice basado en el corpus personalizado de imágenes para buscar. Esto se puede lograr utilizando Model Maker Searcher API siguiendo y adaptando el tutorial .
Para esto necesitarás:
- un modelo integrador de imágenes TFLite como mobilenet v3 . Vea más modelos integradores preentrenados (también conocidos como modelos de vectores de características) de la colección de Módulos de imágenes de Google en TensorFlow Hub .
- su corpus de imágenes.
Después de este paso, debe tener un modelo de búsqueda TFLite independiente (p. ej., mobilenet_v3_searcher.tflite ), que es el modelo integrador de imagen original con el índice adjunto a los metadatos del modelo TFLite .
Ejecutar inferencia en Java
Paso 1: importar la dependencia de Gradle y otras configuraciones
Copie el archivo del modelo de búsqueda .tflite en el directorio de activos del módulo de Android donde se ejecutará el modelo. Especifica que el archivo no debe comprimirse y agrega la biblioteca TensorFlow Lite al archivo build.gradle del módulo:
android {
// Other settings
// Specify tflite index 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:0.4.0'
// Import the GPU delegate plugin Library for GPU inference
implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.0'
}
Paso 2: Usando el modelo
// Initialization
ImageSearcherOptions options =
ImageSearcherOptions.builder()
.setBaseOptions(BaseOptions.builder().useGpu().build())
.setSearcherOptions(
SearcherOptions.builder().setL2Normalize(true).build())
.build();
ImageSearcher imageSearcher =
ImageSearcher.createFromFileAndOptions(context, modelFile, options);
// Run inference
List<NearestNeighbor> results = imageSearcher.search(image);
Consulte el código fuente y javadoc para obtener más opciones para configurar ImageSearcher .
Ejecutar inferencia en C++
// Initialization
ImageSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<ImageSearcher> image_searcher = ImageSearcher::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 SearchResult result = image_searcher->Search(*frame_buffer).value();
Consulte el código fuente para obtener más opciones para configurar ImageSearcher .
Ejecutar inferencia en Python
Paso 1: Instale el paquete TensorFlow Lite Support Pypi.
Puede instalar el paquete TensorFlow Lite Support Pypi con el siguiente comando:
pip install tflite-support
Paso 2: Usando el modelo
from tflite_support.task import vision
# Initialization
image_searcher = vision.ImageSearcher.create_from_file(model_path)
# Run inference
image = vision.TensorImage.create_from_file(image_file)
result = image_searcher.search(image)
Consulte el código fuente para obtener más opciones para configurar ImageSearcher .
Resultados de ejemplo
Results:
Rank#0:
metadata: burger
distance: 0.13452
Rank#1:
metadata: car
distance: 1.81935
Rank#2:
metadata: bird
distance: 1.96617
Rank#3:
metadata: dog
distance: 2.05610
Rank#4:
metadata: cat
distance: 2.06347
Pruebe la sencilla herramienta de demostración CLI para ImageSearcher con su propio modelo y datos de prueba.