Эта страница переведена с помощью Cloud Translation API.

Интеграция сегментаторов изображений

Сегментаторы изображения предсказывают, связан ли каждый пиксель изображения с определенным классом. Это отличается от обнаружения объектов , которое обнаруживает объекты в прямоугольных областях, и классификации изображений , которая классифицирует изображение в целом. Дополнительные сведения о сегментаторах изображений см. в обзоре сегментации изображений.

Используйте API-интерфейс ImageSegmenter библиотеки задач для развертывания пользовательских или предварительно обученных сегментаторов изображений в мобильных приложениях.

Основные возможности ImageSegmenter API

Обработка исходного изображения, включая поворот, изменение размера и преобразование цветового пространства.
Отметьте регион карты.
Два типа вывода, маска категорий и маски достоверности.
Цветная этикетка для наглядности.

Поддерживаемые модели сегментаторов изображений

Следующие модели гарантированно совместимы с ImageSegmenter API.

Предобученные модели сегментации изображений на TensorFlow Hub .
Пользовательские модели, отвечающие требованиям совместимости моделей .

Выполнить вывод в Java

См. справочное приложение Image Segmentation для примера использования ImageSegmenter в приложении для Android.

Шаг 1: Импорт зависимости Gradle и других настроек

Скопируйте файл модели .tflite в каталог активов модуля Android, где будет запускаться модель. Укажите, что файл не должен быть сжат, и добавьте библиотеку TensorFlow Lite в файл build.gradle модуля:

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'
}

Шаг 2: Использование модели

// 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);

Дополнительные параметры настройки ImageSegmenter см. в исходном коде и javadoc .

Выполнить вывод в iOS

Шаг 1: Установите зависимости

Библиотека задач поддерживает установку с помощью CocoaPods. Убедитесь, что CocoaPods установлен в вашей системе. Инструкции см. в руководстве по установке CocoaPods .

Подробную информацию о добавлении модулей в проект Xcode см. в руководстве CocoaPods .

Добавьте модуль TensorFlowLiteTaskVision в файл Podfile.

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

Убедитесь, что модель .tflite , которую вы будете использовать для логического вывода, присутствует в вашем комплекте приложений.

Шаг 2: Использование модели

Быстрый

// 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)

Цель С

// 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];

Дополнительные параметры для настройки TFLImageSegmenter см. в исходном коде .

Запустить вывод в Python

Шаг 1: Установите пакет pip

pip install tflite-support

Шаг 2: Использование модели

# 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)

Дополнительные параметры для настройки ImageSegmenter см. в исходном коде .

Запустить вывод на C++

// 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();

Дополнительные параметры для настройки ImageSegmenter см. в исходном коде .

Пример результатов

Вот пример результатов сегментации deeplab_v3 , универсальной модели сегментации, доступной на TensorFlow Hub.

самолет

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.

Маска категории сегментации должна выглядеть так:

выход сегментации

Попробуйте простой демонстрационный инструмент CLI для ImageSegmenter с собственной моделью и тестовыми данными.

Требования к совместимости моделей

API ImageSegmenter ожидает модель TFLite с обязательными метаданными модели TFLite . См. примеры создания метаданных для сегментаторов изображений с помощью API записи метаданных TensorFlow Lite .

Тензор входного изображения (kTfLiteUInt8/kTfLiteFloat32)
- ввод изображения размером [batch x height x width x channels] .
- пакетный вывод не поддерживается ( batch должен быть равен 1).
- поддерживаются только входы RGB ( channels должно быть 3).
- если тип — kTfLiteFloat32, NormalizationOptions необходимо прикрепить к метаданным для нормализации ввода.
Тензор выходных масок: (kTfLiteUInt8/kTfLiteFloat32)
- тензор размера [batch x mask_height x mask_width x num_classes] , где batch должен быть равен 1, mask_width и mask_height — это размеры масок сегментации, создаваемых моделью, а num_classes — это количество классов, поддерживаемых моделью.
- необязательные (но рекомендуемые) карты меток могут быть прикреплены как AssociatedFile-s с типом TENSOR_AXIS_LABELS, содержащие одну метку на строку. Первый такой AssociatedFile (если есть) используется для заполнения поля label (названного class_name в C++) результатов. Поле display_name заполняется из файла AssociatedFile (если есть), языковой стандарт которого соответствует полю display_names_locale параметра ImageSegmenterOptions используемого во время создания (по умолчанию "en", т. е. английский). Если ни один из них недоступен, будет заполнено только поле index результатов.