12월 7일 Women in ML 심포지엄 참석 지금 등록

물체 감지기 통합

컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

물체 감지기는 알려진 물체 세트 중 어떤 것이 존재할 수 있는지 식별하고 주어진 이미지 또는 비디오 스트림 내의 위치에 대한 정보를 제공할 수 있습니다. 물체 감지기는 여러 클래스의 물체의 존재와 위치를 감지하도록 훈련되었습니다. 예를 들어, 모델은 과일의 종류(예: 사과, 바나나 또는 딸기)를 지정하는 레이블 과 함께 다양한 과일 조각이 포함된 이미지와 각 객체가 표시되는 위치를 지정하는 데이터로 훈련될 수 있습니다. 이미지. 객체 감지기에 대한 자세한 내용은 객체 감지 소개를 참조하세요.

작업 라이브러리 ObjectDetector API를 사용하여 사용자 지정 개체 탐지기 또는 사전 훈련된 개체 탐지기를 모바일 앱에 배포합니다.

ObjectDetector API의 주요 기능

  • 회전, 크기 조정 및 색 공간 변환을 포함한 입력 이미지 처리.

  • 레이블 맵 로케일.

  • 결과를 필터링하기 위한 점수 임계값.

  • Top-k 탐지 결과.

  • 허용 목록 및 거부 목록에 레이블을 지정합니다.

지원되는 물체 감지기 모델

다음 모델은 ObjectDetector API와 호환이 보장됩니다.

Java에서 추론 실행

Android 앱에서 ObjectDetector 를 사용하는 방법의 예는 Object Detection 참조 앱 을 참조하세요.

1단계: Gradle 종속성 및 기타 설정 가져오기

.tflite 모델 파일을 모델이 실행될 Android 모듈의 자산 디렉토리에 복사합니다. 파일을 압축하지 않도록 지정하고 모듈의 build.gradle 파일에 TensorFlow Lite 라이브러리를 추가합니다.

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'
}

2단계: 모델 사용

// Initialization
ObjectDetectorOptions options =
    ObjectDetectorOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
ObjectDetector objectDetector =
    ObjectDetector.createFromFileAndOptions(
        context, modelFile, options);

// Run inference
List<Detection> results = objectDetector.detect(image);

ObjectDetector 를 구성하는 추가 옵션은 소스 코드와 javadoc 을 참조하십시오.

iOS에서 추론 실행

1단계: 종속성 설치

작업 라이브러리는 CocoaPods를 사용한 설치를 지원합니다. 시스템에 CocoaPods가 설치되어 있는지 확인하십시오. 지침은 CocoaPods 설치 가이드 를 참조하십시오.

Xcode 프로젝트에 포드를 추가하는 방법에 대한 자세한 내용은 CocoaPods 가이드 를 참조하세요.

Podfile에 TensorFlowLiteTaskVision 포드를 추가합니다.

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

추론에 사용할 .tflite 모델이 앱 번들에 있는지 확인하십시오.

2단계: 모델 사용

빠른

// Imports
import TensorFlowLiteTaskVision

// Initialization
guard let modelPath = Bundle.main.path(forResource: "ssd_mobilenet_v1",
                                            ofType: "tflite") else { return }

let options = ObjectDetectorOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let detector = try ObjectDetector.detector(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: "cats_and_dogs.jpg"), let mlImage = MLImage(image: image) else { return }

// Run inference
let detectionResult = try detector.detect(mlImage: mlImage)

오브젝티브 C

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

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"ssd_mobilenet_v1" ofType:@"tflite"];

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

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLObjectDetector *detector = [TFLObjectDetector objectDetectorWithOptions:options
                                                                     error:nil];

// Convert the input image to MLImage.
UIImage *image = [UIImage imageNamed:@"dogs.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
TFLDetectionResult *detectionResult = [detector detectWithGMLImage:gmlImage error:nil];

TFLObjectDetector 구성에 대한 추가 옵션은 소스 코드 를 참조하십시오.

Python에서 추론 실행

1단계: pip 패키지 설치

pip install tflite-support

2단계: 모델 사용

# 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)
detection_options = processor.DetectionOptions(max_results=2)
options = vision.ObjectDetectorOptions(base_options=base_options, detection_options=detection_options)
detector = vision.ObjectDetector.create_from_options(options)

# Alternatively, you can create an object detector in the following manner:
# detector = vision.ObjectDetector.create_from_file(model_path)

# Run inference
image = vision.TensorImage.create_from_file(image_path)
detection_result = detector.detect(image)

ObjectDetector 를 구성하는 추가 옵션은 소스 코드 를 참조하십시오.

C++에서 추론 실행

// Initialization
ObjectDetectorOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<ObjectDetector> object_detector = ObjectDetector::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 DetectionResult result = object_detector->Detect(*frame_buffer).value();

ObjectDetector 를 구성하는 추가 옵션은 소스 코드 를 참조하십시오.

예시 결과

다음은 TensorFlow Hub에서 ssd mobilenet v1 의 감지 결과의 예입니다.

개

Results:
 Detection #0 (red):
  Box: (x: 355, y: 133, w: 190, h: 206)
  Top-1 class:
   index       : 17
   score       : 0.73828
   class name  : dog
 Detection #1 (green):
  Box: (x: 103, y: 15, w: 138, h: 369)
  Top-1 class:
   index       : 17
   score       : 0.73047
   class name  : dog

입력 이미지에 경계 상자를 렌더링합니다.

감지 출력

고유한 모델 및 테스트 데이터 로 ObjectDetector용 간단한 CLI 데모 도구를 사용해 보십시오.

모델 호환성 요구 사항

ObjectDetector API는 필수 TFLite 모델 메타데이터 가 있는 TFLite 모델을 예상합니다. TensorFlow Lite Metadata Writer API 를 사용하여 객체 감지기에 대한 메타데이터를 생성하는 예를 참조하세요.

호환되는 물체 감지기 모델은 다음 요구 사항을 충족해야 합니다.

  • 입력 이미지 텐서: (kTfLiteUInt8/kTfLiteFloat32)

    • [batch x height x width x channels] 크기의 이미지 입력.
    • 배치 추론은 지원되지 않습니다( batch 는 1이어야 함).
    • RGB 입력만 지원됩니다( channels 은 3이어야 함).
    • type이 kTfLiteFloat32인 경우 입력 정규화를 위해 NormalizationOptions를 메타데이터에 첨부해야 합니다.
  • 출력 텐서는 DetectionPostProcess 연산의 4개 출력이어야 합니다. 예:

    • 위치 텐서(kTfLiteFloat32)
      • [1 x num_results x 4] 크기의 텐서, [top, left, right, bottom] 형식의 경계 상자를 나타내는 내부 배열.
      • BoundingBoxProperties는 메타데이터에 첨부되어야 하며 type=BOUNDARIES 및 `coordinate_type=RATIO'를 지정해야 합니다.
    • 클래스 텐서(kTfLiteFloat32)

      • [1 x num_results] 크기의 텐서, 각 값은 클래스의 정수 인덱스를 나타냅니다.
      • 선택적(하지만 권장되는) 레이블 맵은 TENSOR_VALUE_LABELS 유형의 AssociatedFile-s로 첨부할 수 있으며 행당 하나의 레이블을 포함합니다. 예제 레이블 파일 을 참조하십시오. 첫 번째 AssociatedFile(있는 경우)은 결과의 class_name 필드를 채우는 데 사용됩니다. display_name 필드는 생성 시 사용된 ObjectDetectorOptionsdisplay_names_locale 필드와 로케일이 일치하는 AssociatedFile(있는 경우)에서 채워집니다(기본적으로 "en", 즉 영어). 사용할 수 없는 경우 결과의 index 필드만 채워집니다.
    • 점수 텐서(kTfLiteFloat32)

      • [1 x num_results] 크기의 텐서, 각 값은 감지된 객체의 점수를 나타냅니다.
    • 감지 텐서 수(kTfLiteFloat32)

      • 크기가 [1] 인 텐서로 정수 num_results .