TensorFlow torna al Google I/O il 14 maggio! Iscriviti ora

Questa pagina è stata tradotta dall'API Cloud Translation.

Integra segmentatori di immagini

I segmentatori di immagini prevedono se ciascun pixel di un'immagine è associato a una determinata classe. Ciò è in contrasto con il rilevamento degli oggetti , che rileva gli oggetti in aree rettangolari, e la classificazione delle immagini , che classifica l'immagine complessiva. Consulta la panoramica sulla segmentazione delle immagini per ulteriori informazioni sui segmentatori di immagini.

Utilizza l'API ImageSegmenter della libreria attività per distribuire i tuoi segmentatori di immagini personalizzati o preaddestrati nelle tue app mobili.

Funzionalità principali dell'API ImageSegmenter

Elaborazione delle immagini in ingresso, inclusa rotazione, ridimensionamento e conversione dello spazio colore.
Etichetta locale della mappa.
Due tipi di output, maschera di categoria e maschere di confidenza.
Etichetta colorata a scopo espositivo.

Modelli di segmentazione immagini supportati

È garantita la compatibilità dei seguenti modelli con l'API ImageSegmenter .

I modelli di segmentazione delle immagini preaddestrati su TensorFlow Hub .
Modelli personalizzati che soddisfano i requisiti di compatibilità del modello .

Esegui l'inferenza in Java

Consulta l' app di riferimento per la segmentazione delle immagini per un esempio di come utilizzare ImageSegmenter in un'app Android.

Passaggio 1: importa la dipendenza Gradle e altre impostazioni

Copia il file del modello .tflite nella directory asset del modulo Android in cui verrà eseguito il modello. Specifica che il file non deve essere compresso e aggiungi la libreria TensorFlow Lite al file build.gradle del modulo:

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'
}

Passaggio 2: utilizzo del modello

// 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);

Consulta il codice sorgente e javadoc per ulteriori opzioni per configurare ImageSegmenter .

Esegui l'inferenza in iOS

Passaggio 1: installa le dipendenze

La libreria attività supporta l'installazione utilizzando CocoaPods. Assicurati che CocoaPods sia installato sul tuo sistema. Per istruzioni, consultare la guida all'installazione di CocoaPods .

Consulta la guida CocoaPods per i dettagli sull'aggiunta di pod a un progetto Xcode.

Aggiungi il pod TensorFlowLiteTaskVision nel Podfile.

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

Assicurati che il modello .tflite che utilizzerai per l'inferenza sia presente nel pacchetto dell'app.

Passaggio 2: utilizzo del modello

Veloce

// 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)

Obiettivo C

// 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];

Consulta il codice sorgente per ulteriori opzioni per configurare TFLImageSegmenter .

Esegui l'inferenza in Python

Passaggio 1: installa il pacchetto pip

pip install tflite-support

Passaggio 2: utilizzo del modello

# 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)

Vedi il codice sorgente per ulteriori opzioni per configurare ImageSegmenter .

Esegui l'inferenza in 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();

Vedi il codice sorgente per ulteriori opzioni per configurare ImageSegmenter .

Risultati di esempio

Ecco un esempio dei risultati della segmentazione di deeplab_v3 , un modello di segmentazione generico disponibile su TensorFlow Hub.

aereo

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.

La maschera della categoria di segmentazione dovrebbe assomigliare a:

output di segmentazione

Prova il semplice strumento demo CLI per ImageSegmenter con il tuo modello e i dati di test.

Requisiti di compatibilità del modello

L'API ImageSegmenter prevede un modello TFLite con metadati del modello TFLite obbligatori. Guarda gli esempi di creazione di metadati per i segmentatori di immagini utilizzando l' API TensorFlow Lite Metadata Writer .

Tensore immagine in ingresso (kTfLiteUInt8/kTfLiteFloat32)
- input immagine di dimensioni [batch x height x width x channels] .
- l'inferenza batch non è supportata ( batch deve essere 1).
- sono supportati solo gli ingressi RGB ( channels devono essere 3).
- se il tipo è kTfLiteFloat32, è necessario allegare NormalizationOptions ai metadati per la normalizzazione dell'input.
Tensore delle maschere di output: (kTfLiteUInt8/kTfLiteFloat32)
- tensore di dimensione [batch x mask_height x mask_width x num_classes] , dove batch deve essere 1, mask_width e mask_height sono le dimensioni delle maschere di segmentazione prodotte dal modello e num_classes è il numero di classi supportate dal modello.
- le mappe di etichette facoltative (ma consigliate) possono essere allegate come AssociatedFile con tipo TENSOR_AXIS_LABELS, contenenti un'etichetta per riga. Il primo AssociatedFile (se presente) viene utilizzato per riempire il campo label (denominato class_name in C++) dei risultati. Il campo display_name viene compilato dall'AssociadFile (se presente) la cui locale corrisponde al campo display_names_locale di ImageSegmenterOptions utilizzato al momento della creazione ("en" per impostazione predefinita, ovvero inglese). Se nessuno di questi è disponibile, verrà compilato solo il campo index dei risultati.