บูรณาการผู้ค้นหารูปภาพ

การค้นหารูปภาพช่วยให้สามารถค้นหารูปภาพที่คล้ายกันในฐานข้อมูลรูปภาพได้ ทำงานโดยการฝังคำค้นหาลงในเวกเตอร์มิติสูงซึ่งแสดงถึงความหมายเชิงความหมายของคำค้นหา ตามด้วยการค้นหาความคล้ายคลึงกันในดัชนีแบบกำหนดเองที่กำหนดไว้ล่วงหน้าโดยใช้ ScaNN (Scalable Nearest Neighbors)

ตรงข้ามกับ การจัดหมวดหมู่รูปภาพ การขยายจำนวนรายการที่สามารถรับรู้ได้นั้นไม่จำเป็นต้องมีการฝึกอบรมโมเดลทั้งหมดอีกครั้ง คุณสามารถเพิ่มรายการใหม่ได้เพียงแค่สร้างดัชนีใหม่ นอกจากนี้ยังช่วยให้สามารถทำงานกับฐานข้อมูลรูปภาพขนาดใหญ่กว่า (100,000 รายการ)

ใช้ Task Library ImageSearcher API เพื่อปรับใช้โปรแกรมค้นหารูปภาพที่กำหนดเองในแอปมือถือของคุณ

คุณสมบัติที่สำคัญของ ImageSearcher API

  • ถ่ายภาพเดียวเป็นอินพุต ดำเนินการแยกการฝัง และค้นหาเพื่อนบ้านที่ใกล้ที่สุดในดัชนี

  • การประมวลผลภาพอินพุต รวมถึงการหมุน การปรับขนาด และการแปลงพื้นที่สี

  • ภูมิภาคที่สนใจของรูปภาพอินพุต

ข้อกำหนดเบื้องต้น

ก่อนที่จะใช้ ImageSearcher API จะต้องสร้างดัชนีตามคลังรูปภาพที่กำหนดเองเพื่อทำการค้นหา ซึ่งสามารถทำได้โดยใช้ Model Maker Searcher API โดยทำตามและปรับใช้ บทช่วยสอน

สำหรับสิ่งนี้คุณจะต้อง:

  • โมเดลการฝังอิมเมจ TFLite เช่น mobilenet v3 ดูโมเดลการฝังที่ได้รับการฝึกล่วงหน้าเพิ่มเติม (หรือที่เรียกว่าโมเดลเวกเตอร์ฟีเจอร์) จาก คอลเลกชัน Google Image Modules บน TensorFlow Hub
  • คลังภาพของคุณ

หลังจากขั้นตอนนี้ คุณควรมีโมเดลผู้ค้นหา TFLite แบบสแตนด์อโลน (เช่น mobilenet_v3_searcher.tflite ) ซึ่งเป็นโมเดลการฝังรูปภาพต้นฉบับที่มีดัชนีแนบอยู่ใน เมตาดาต้าของโมเดล TFLite

เรียกใช้การอนุมานใน Java

ขั้นตอนที่ 1: นำเข้าการพึ่งพา Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดลผู้ค้นหา .tflite ไปยังไดเร็กทอรีทรัพย์สินของโมดูล Android ที่จะเรียกใช้โมเดล ระบุว่าไม่ควรบีบอัดไฟล์ และเพิ่มไลบรารี TensorFlow Lite ลงในไฟล์ build.gradle ของโมดูล:

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:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

ขั้นตอนที่ 2: การใช้แบบจำลอง

// 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);

ดู ซอร์สโค้ดและ javadoc สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher

เรียกใช้การอนุมานใน 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();

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็คเกจ Pypi รองรับ TensorFlow Lite

คุณสามารถติดตั้งแพ็คเกจ Pypi รองรับ TensorFlow Lite ได้โดยใช้คำสั่งต่อไปนี้:

pip install tflite-support

ขั้นตอนที่ 2: การใช้แบบจำลอง

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)

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า ImageSearcher

ตัวอย่างผลลัพธ์

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

ลองใช้ เครื่องมือสาธิต CLI ง่ายๆ สำหรับ ImageSearcher ด้วยโมเดลและข้อมูลการทดสอบของคุณเอง