इस पेज का अनुवाद Cloud Translation API से किया गया है.

छवि खंडों को एकीकृत करें

छवि खंडकर्ता भविष्यवाणी करते हैं कि छवि का प्रत्येक पिक्सेल एक निश्चित वर्ग से जुड़ा है या नहीं। यह ऑब्जेक्ट डिटेक्शन के विपरीत है, जो आयताकार क्षेत्रों में वस्तुओं का पता लगाता है, और छवि वर्गीकरण , जो समग्र छवि को वर्गीकृत करता है। इमेज सेगमेंटर्स के बारे में अधिक जानकारी के लिए इमेज सेगमेंटेशन ओवरव्यू देखें।

अपने मोबाइल ऐप में अपने कस्टम इमेज सेगमेंटर्स या प्री-ट्रेंडेड को परिनियोजित करने के लिए टास्क लाइब्रेरी ImageSegmenter एपीआई का उपयोग करें।

ImageSegmenter API की मुख्य विशेषताएं

इनपुट इमेज प्रोसेसिंग, जिसमें रोटेशन, आकार बदलना और रंग स्थान रूपांतरण शामिल हैं।
लेबल मानचित्र स्थान।
दो आउटपुट प्रकार, कैटेगरी मास्क और कॉन्फिडेंस मास्क।
प्रदर्शन उद्देश्य के लिए रंगीन लेबल।

समर्थित छवि खंड मॉडल

निम्नलिखित मॉडलों को ImageSegmenter API के साथ संगत होने की गारंटी है।

TensorFlow हब पर पूर्व-प्रशिक्षित छवि विभाजन मॉडल ।
कस्टम मॉडल जो मॉडल संगतता आवश्यकताओं को पूरा करते हैं।

जावा में अनुमान चलाएँ

Android ऐप में ImageSegmenter का उपयोग कैसे करें, इसके उदाहरण के लिए इमेज सेगमेंटेशन रेफरेंस ऐप देखें।

चरण 1: ग्रैडल निर्भरता और अन्य सेटिंग्स आयात करें

एंड्रॉइड मॉड्यूल की संपत्ति निर्देशिका में .tflite मॉडल फ़ाइल की प्रतिलिपि बनाएँ जहां मॉडल चलाया जाएगा। निर्दिष्ट करें कि फ़ाइल को संपीड़ित नहीं किया जाना चाहिए, और TensorFlow Lite लाइब्रेरी को मॉड्यूल की build.gradle फ़ाइल में जोड़ें:

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'
}

चरण 2: मॉडल का उपयोग करना

// 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 को कॉन्फ़िगर करने के अधिक विकल्पों के लिए स्रोत कोड और javadoc देखें।

आईओएस में अनुमान चलाएं

चरण 1: निर्भरताएँ स्थापित करें

टास्क लाइब्रेरी CocoaPods का उपयोग करके इंस्टॉलेशन का समर्थन करती है। सुनिश्चित करें कि आपके सिस्टम पर CocoaPods स्थापित है। निर्देशों के लिए कृपया CocoaPods इंस्टॉलेशन गाइड देखें।

Xcode प्रोजेक्ट में पॉड्स जोड़ने के विवरण के लिए कृपया CocoaPods गाइड देखें।

पॉडफाइल में TensorFlowLiteTaskVision पॉड जोड़ें।

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

सुनिश्चित करें कि अनुमान के लिए आप जिस .tflite मॉडल का उपयोग कर रहे हैं वह आपके ऐप बंडल में मौजूद है।

चरण 2: मॉडल का उपयोग करना

तीव्र

// 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)

उद्देश्य सी

// 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 को कॉन्फ़िगर करने के अधिक विकल्पों के लिए स्रोत कोड देखें।

पायथन में अनुमान चलाएँ

चरण 1: पाइप पैकेज स्थापित करें

pip install tflite-support

चरण 2: मॉडल का उपयोग करना

# 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.output_type.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 को कॉन्फ़िगर करने के अधिक विकल्पों के लिए स्रोत कोड देखें।

सी ++ में अनुमान चलाएं

// 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 को कॉन्फ़िगर करने के अधिक विकल्पों के लिए स्रोत कोड देखें।

उदाहरण परिणाम

TensorFlow हब पर उपलब्ध एक सामान्य विभाजन मॉडल, deeplab_v3 के विभाजन परिणामों का एक उदाहरण यहां दिया गया है।

विमान

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.

विभाजन श्रेणी मुखौटा इस तरह दिखना चाहिए:

विभाजन-उत्पादन

अपने स्वयं के मॉडल और परीक्षण डेटा के साथ ImageSegmenter के लिए सरल CLI डेमो टूल आज़माएं ।

मॉडल संगतता आवश्यकताएँ

ImageSegmenter API अनिवार्य TFLite मॉडल मेटाडेटा के साथ TFLite मॉडल की अपेक्षा करता है। TensorFlow Lite मेटाडेटा राइटर API का उपयोग करके इमेज सेगमेंटर्स के लिए मेटाडेटा बनाने के उदाहरण देखें।

इनपुट इमेज टेंसर (kTfLiteUInt8/kTfLiteFloat32)
- आकार का छवि इनपुट [batch x height x width x channels] ।
- बैच अनुमान समर्थित नहीं है ( batch 1 होना आवश्यक है)।
- केवल आरजीबी इनपुट समर्थित हैं ( channels 3 होना आवश्यक है)।
- यदि प्रकार kTfLiteFloat32 है, तो सामान्यीकरण विकल्प को इनपुट सामान्यीकरण के लिए मेटाडेटा से संलग्न करना आवश्यक है।
आउटपुट मास्क टेंसर: (kTfLiteUInt8/kTfLiteFloat32)
- आकार का टेंसर [batch x mask_height x mask_width x num_classes] , जहां batch 1 होना आवश्यक है, mask_width और mask_height मॉडल द्वारा निर्मित सेगमेंटेशन मास्क के आयाम हैं, और num_classes मॉडल द्वारा समर्थित कक्षाओं की संख्या है।
- वैकल्पिक (लेकिन अनुशंसित) लेबल मानचित्र को TENSOR_AXIS_LABELS प्रकार के साथ AssociatedFile-s के रूप में संलग्न किया जा सकता है, जिसमें प्रति पंक्ति एक लेबल होता है। इस तरह की पहली एसोसिएटेडफाइल (यदि कोई हो) का उपयोग परिणामों के label फ़ील्ड (C++ में class_name के रूप में नामित) को भरने के लिए किया जाता है। display_names_locale फ़ील्ड एसोसिएटेडफाइल (यदि कोई हो) से भरी जाती है जिसका लोकेल display_name के ImageSegmenterOptions फ़ील्ड से मेल खाता है जो निर्माण समय (डिफ़ॉल्ट रूप से, यानी अंग्रेजी) में उपयोग किया जाता है। यदि इनमें से कोई भी उपलब्ध नहीं है, तो केवल परिणामों की index फ़ील्ड भरी जाएगी।