ইমেজ সেগমেন্টার একত্রিত করুন

সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।

ইমেজ সেগমেন্টাররা ভবিষ্যদ্বাণী করে যে একটি ছবির প্রতিটি পিক্সেল একটি নির্দিষ্ট শ্রেণীর সাথে যুক্ত কিনা। এটি বস্তু সনাক্তকরণের বিপরীতে, যা আয়তক্ষেত্রাকার অঞ্চলে বস্তু সনাক্ত করে এবং চিত্র শ্রেণীবিভাগ , যা সামগ্রিক চিত্রকে শ্রেণীবদ্ধ করে। ইমেজ সেগমেন্টার সম্পর্কে আরও তথ্যের জন্য ইমেজ সেগমেন্টেশন ওভারভিউ দেখুন।

টাস্ক লাইব্রেরি ইমেজ সেগমেন্টার API ব্যবহার করুন আপনার কাস্টম ইমেজ সেগমেন্টার বা আপনার মোবাইল অ্যাপে আগে থেকে ImageSegmenter স্থাপন করতে।

ImageSegmenter API-এর মূল বৈশিষ্ট্য

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

  • মানচিত্র লোকেল লেবেল করুন।

  • দুই ধরনের আউটপুট, ক্যাটাগরি মাস্ক এবং কনফিডেন্স মাস্ক।

  • প্রদর্শনের উদ্দেশ্যে রঙিন লেবেল।

সমর্থিত ইমেজ সেগমেন্টার মডেল

নিম্নলিখিত মডেলগুলি ImageSegmenter API-এর সাথে সামঞ্জস্যপূর্ণ হওয়ার গ্যারান্টিযুক্ত।

জাভাতে অনুমান চালান

একটি অ্যান্ড্রয়েড ImageSegmenter ইমেজ সেগমেন্টার কীভাবে ব্যবহার করবেন তার উদাহরণের জন্য ইমেজ সেগমেন্টেশন 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
ImageSegmenterOptions options =
    ImageSegmenterOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setOutputType(OutputType.CONFIDENCE_MASK)
        .build();
ImageSegmenter imageSegmenter =
    ImageSegmenter.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Segmentation> results = imageSegmenter.segment(image);

ImageSegmenter 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: "deeplabv3",
                                            ofType: "tflite") else { return }

let options = ImageSegmenterOptions(modelPath: modelPath)

// Configure any additional options:
// options.outputType = OutputType.confidenceMasks

let segmenter = try ImageSegmenter.segmenter(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: "plane.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let segmentationResult = try segmenter.segment(mlImage: mlImage)

উদ্দেশ্য গ

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"deeplabv3" ofType:@"tflite"];

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

// Configure any additional options:
// options.outputType = TFLOutputTypeConfidenceMasks;

TFLImageSegmenter *segmenter = [TFLImageSegmenter imageSegmenterWithOptions:options
                                                                      error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"plane.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
TFLSegmentationResult *segmentationResult =
    [segmenter segmentWithGMLImage:gmlImage error:nil];

TFLImageSegmenter 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)
segmentation_options = processor.SegmentationOptions(
    output_type=processor.SegmentationOptions.OutputType.CATEGORY_MASK)
options = vision.ImageSegmenterOptions(base_options=base_options, segmentation_options=segmentation_options)
segmenter = vision.ImageSegmenter.create_from_options(options)

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

# Run inference
image_file = vision.TensorImage.create_from_file(image_path)
segmentation_result = segmenter.segment(image_file)

ImageSegmenter কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড দেখুন।

C++ এ অনুমান চালান

// Initialization
ImageSegmenterOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ImageSegmenter> image_segmenter = ImageSegmenter::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 SegmentationResult result = image_segmenter->Segment(*frame_buffer).value();

ImageSegmenter কনফিগার করার জন্য আরও বিকল্পের জন্য সোর্স কোড দেখুন।

উদাহরণ ফলাফল

এখানে deeplab_v3 এর সেগমেন্টেশন ফলাফলের একটি উদাহরণ রয়েছে, টেনসরফ্লো হাবে উপলব্ধ একটি জেনেরিক সেগমেন্টেশন মডেল।

সমতল

Color Legend:
 (r: 000, g: 000, b: 000):
  index       : 0
  class name  : background
 (r: 128, g: 000, b: 000):
  index       : 1
  class name  : aeroplane

# (omitting multiple lines for conciseness) ...

 (r: 128, g: 192, b: 000):
  index       : 19
  class name  : train
 (r: 000, g: 064, b: 128):
  index       : 20
  class name  : tv
Tip: use a color picker on the output PNG file to inspect the output mask with
this legend.

বিভাজন বিভাগের মুখোশটি দেখতে এইরকম হওয়া উচিত:

বিভাজন-আউটপুট

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

মডেল সামঞ্জস্যের প্রয়োজনীয়তা

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

  • 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 মাস্ক টেনসর: (kTfLiteUInt8/kTfLiteFloat32)

    • আকারের টেনসর [batch x mask_height x mask_width x num_classes] , যেখানে batch 1 হওয়া প্রয়োজন, mask_width এবং mask_height হল মডেল দ্বারা উত্পাদিত সেগমেন্টেশন মাস্কের মাত্রা এবং num_classes হল মডেল দ্বারা সমর্থিত ক্লাসের সংখ্যা।
    • ঐচ্ছিক (কিন্তু প্রস্তাবিত) লেবেল মানচিত্র (গুলি) TENSOR_AXIS_LABELS টাইপের সাথে AssociatedFile-s হিসাবে সংযুক্ত করা যেতে পারে, প্রতি লাইনে একটি লেবেল রয়েছে। ফলাফলের label ক্ষেত্র (C++ এ class_name হিসাবে নামকরণ করা হয়েছে) পূরণ করতে প্রথম যেমন AssociatedFile (যদি থাকে) ব্যবহার করা হয়। display_name ক্ষেত্রটি AssociatedFile (যদি থাকে) থেকে পূর্ণ হয় যার লোকেল তৈরির সময় ব্যবহৃত ImageSegmenterOptions এর display_names_locale ক্ষেত্রের সাথে মেলে ("en" ডিফল্টরূপে, যেমন ইংরেজি)। এগুলোর কোনোটিই পাওয়া না গেলে, শুধুমাত্র ফলাফলের index ক্ষেত্রটি পূরণ করা হবে।