Integre detectores de objetos

Os detectores de objetos podem identificar quais de um conjunto conhecido de objetos podem estar presentes e fornecer informações sobre suas posições dentro de uma determinada imagem ou fluxo de vídeo. Um detector de objetos é treinado para detectar a presença e localização de várias classes de objetos. Por exemplo, um modelo pode ser treinado com imagens que contêm vários pedaços de fruta, juntamente com um rótulo que especifica a classe de fruta que eles representam (por exemplo, uma maçã, uma banana ou um morango) e dados especificando onde cada objeto aparece em a imagem. Consulte a introdução da detecção de objetos para obter mais informações sobre detectores de objetos.

Use a API ObjectDetector da Biblioteca de Tarefas para implantar seus detectores de objetos personalizados ou pré-treinados em seus aplicativos móveis.

Principais recursos da API ObjectDetector

• Processamento de imagem de entrada, incluindo rotação, redimensionamento e conversão de espaço de cores.

• Local do mapa de rótulos.

• Limite de pontuação para filtrar resultados.

• Resultados de detecção top-k.

• Rotular lista de permissões e lista de negações.

Modelos de detector de objetos compatíveis

Os modelos a seguir são compatíveis com a API ObjectDetector .

• Os modelos de detecção de objetos pré-treinados no TensorFlow Hub .

• Modelos criados pelo AutoML Vision Edge Object Detection .

• Modelos criados pelo TensorFlow Lite Model Maker para detector de objetos .

• Modelos personalizados que atendem aos requisitos de compatibilidade do modelo .

Executar inferência em Java

Consulte o aplicativo de referência Object Detection para obter um exemplo de como usar ObjectDetector em um aplicativo Android.

Etapa 1: importar a dependência do Gradle e outras configurações

Copie o arquivo de modelo .tflite para o diretório assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do TensorFlow Lite ao arquivo build.gradle do módulo:

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'
}

Etapa 2: usando o modelo

// 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);

Consulte o código-fonte e o javadoc para obter mais opções para configurar ObjectDetector .

Executar inferência no iOS

Etapa 1: instalar as dependências

A Biblioteca de Tarefas oferece suporte à instalação usando CocoaPods. Certifique-se de que o CocoaPods esteja instalado em seu sistema. Consulte o guia de instalação do CocoaPods para obter instruções.

Consulte o guia CocoaPods para obter detalhes sobre como adicionar pods a um projeto Xcode.

Adicione o pod TensorFlowLiteTaskVision no Podfile.

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

Certifique-se de que o modelo .tflite que você usará para inferência esteja presente em seu pacote de aplicativos.

Etapa 2: usando o modelo

Rápido

// 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)

Objetivo 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];

Consulte o código-fonte para obter mais opções para configurar o TFLObjectDetector .

Executar inferência em Python

Etapa 1: Instale o pacote pip

pip install tflite-support

Etapa 2: usando o modelo

# 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)

Consulte o código-fonte para obter mais opções para configurar ObjectDetector .

Executar inferência em C++

// 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();

Consulte o código-fonte para obter mais opções para configurar ObjectDetector .

Resultados de exemplo

Aqui está um exemplo dos resultados de detecção do ssd mobilenet v1 do TensorFlow Hub.

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

Renderize as caixas delimitadoras na imagem de entrada:

Experimente a ferramenta de demonstração CLI simples para ObjectDetector com seu próprio modelo e dados de teste.

Requisitos de compatibilidade do modelo

A API ObjectDetector espera um modelo TFLite com metadados de modelo TFLite obrigatórios. Veja exemplos de criação de metadados para detectores de objetos usando a API TensorFlow Lite Metadata Writer .

Os modelos de detector de objetos compatíveis devem atender aos seguintes requisitos:

• Tensor de imagem de entrada: (kTfLiteUInt8/kTfLiteFloat32)

  • entrada de imagem de tamanho [batch x height x width x channels] .
  • a inferência de lote não é suportada (o batch deve ser 1).
  • apenas entradas RGB são suportadas (os channels devem ser 3).
  • se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexadas aos metadados para normalização de entrada.

• Os tensores de saída devem ser as 4 saídas de um op DetectionPostProcess , ou seja:

  • Tensor de locais (kTfLiteFloat32)
    • tensor de tamanho [1 x num_results x 4] , o array interno representando caixas delimitadoras na forma [top, left, right, bottom].
    • BoundingBoxProperties devem ser anexados aos metadados e devem especificar type=BOUNDARIES e `coordinate_type=RATIO.

  • Tensor de classes (kTfLiteFloat32)

    • tensor de tamanho [1 x num_results] , cada valor representando o índice inteiro de uma classe.
    • mapa(s) de rótulos opcionais (mas recomendados) podem ser anexados como AssociatedFile-s com o tipo TENSOR_VALUE_LABELS, contendo um rótulo por linha. Veja o arquivo de etiqueta de exemplo . O primeiro AssociatedFile (se houver) é usado para preencher o campo class_name dos resultados. O campo display_name é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao campo display_names_locale do ObjectDetectorOptions usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo de index dos resultados será preenchido.

  • Tensor de pontuação (kTfLiteFloat32)

    • tensor de tamanho [1 x num_results] , cada valor representando a pontuação do objeto detectado.

  • Número do tensor de detecção (kTfLiteFloat32)

    • integer num_results como um tensor de tamanho [1] .

Os detectores de objetos podem identificar quais de um conjunto conhecido de objetos podem estar presentes e fornecer informações sobre suas posições dentro de uma determinada imagem ou fluxo de vídeo. Um detector de objetos é treinado para detectar a presença e localização de várias classes de objetos. Por exemplo, um modelo pode ser treinado com imagens que contêm vários pedaços de fruta, juntamente com um rótulo que especifica a classe de fruta que eles representam (por exemplo, uma maçã, uma banana ou um morango) e dados especificando onde cada objeto aparece em a imagem. Consulte a introdução da detecção de objetos para obter mais informações sobre detectores de objetos.

Use a API ObjectDetector da Biblioteca de Tarefas para implantar seus detectores de objetos personalizados ou pré-treinados em seus aplicativos móveis.

Principais recursos da API ObjectDetector

• Processamento de imagem de entrada, incluindo rotação, redimensionamento e conversão de espaço de cores.

• Local do mapa de rótulos.

• Limite de pontuação para filtrar resultados.

• Resultados de detecção top-k.

• Rotular lista de permissões e lista de negações.

Modelos de detector de objetos compatíveis

Os modelos a seguir são compatíveis com a API ObjectDetector .

• Os modelos de detecção de objetos pré-treinados no TensorFlow Hub .

• Modelos criados pelo AutoML Vision Edge Object Detection .

• Modelos criados pelo TensorFlow Lite Model Maker para detector de objetos .

• Modelos personalizados que atendem aos requisitos de compatibilidade do modelo .

Executar inferência em Java

Consulte o aplicativo de referência Object Detection para obter um exemplo de como usar ObjectDetector em um aplicativo Android.

Etapa 1: importar a dependência do Gradle e outras configurações

Copie o arquivo de modelo .tflite para o diretório assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do TensorFlow Lite ao arquivo build.gradle do módulo:

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'
}

Etapa 2: usando o modelo

// 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);

Consulte o código-fonte e o javadoc para obter mais opções para configurar ObjectDetector .

Executar inferência no iOS

Etapa 1: instalar as dependências

A Biblioteca de Tarefas oferece suporte à instalação usando CocoaPods. Certifique-se de que o CocoaPods esteja instalado em seu sistema. Consulte o guia de instalação do CocoaPods para obter instruções.

Consulte o guia CocoaPods para obter detalhes sobre como adicionar pods a um projeto Xcode.

Adicione o pod TensorFlowLiteTaskVision no Podfile.

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

Certifique-se de que o modelo .tflite que você usará para inferência esteja presente em seu pacote de aplicativos.

Etapa 2: usando o modelo

Rápido

// 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)

Objetivo 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];

Consulte o código-fonte para obter mais opções para configurar o TFLObjectDetector .

Executar inferência em Python

Etapa 1: Instale o pacote pip

pip install tflite-support

Etapa 2: usando o modelo

# 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)

Consulte o código-fonte para obter mais opções para configurar ObjectDetector .

Executar inferência em C++

// 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();

Consulte o código-fonte para obter mais opções para configurar ObjectDetector .

Resultados de exemplo

Aqui está um exemplo dos resultados de detecção do ssd mobilenet v1 do TensorFlow Hub.

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

Renderize as caixas delimitadoras na imagem de entrada:

Experimente a ferramenta de demonstração CLI simples para ObjectDetector com seu próprio modelo e dados de teste.

Requisitos de compatibilidade do modelo

A API ObjectDetector espera um modelo TFLite com metadados de modelo TFLite obrigatórios. Veja exemplos de criação de metadados para detectores de objetos usando a API TensorFlow Lite Metadata Writer .

Os modelos de detector de objetos compatíveis devem atender aos seguintes requisitos:

• Tensor de imagem de entrada: (kTfLiteUInt8/kTfLiteFloat32)

  • entrada de imagem de tamanho [batch x height x width x channels] .
  • a inferência de lote não é suportada (o batch deve ser 1).
  • apenas entradas RGB são suportadas (os channels devem ser 3).
  • se o tipo for kTfLiteFloat32, as NormalizationOptions devem ser anexadas aos metadados para normalização de entrada.

• Os tensores de saída devem ser as 4 saídas de um op DetectionPostProcess , ou seja:

  • Tensor de locais (kTfLiteFloat32)
    • tensor de tamanho [1 x num_results x 4] , o array interno representando caixas delimitadoras na forma [top, left, right, bottom].
    • BoundingBoxProperties devem ser anexados aos metadados e devem especificar type=BOUNDARIES e `coordinate_type=RATIO.

  • Tensor de classes (kTfLiteFloat32)

    • tensor de tamanho [1 x num_results] , cada valor representando o índice inteiro de uma classe.
    • mapa(s) de rótulos opcionais (mas recomendados) podem ser anexados como AssociatedFile-s com o tipo TENSOR_VALUE_LABELS, contendo um rótulo por linha. Veja o arquivo de etiqueta de exemplo . O primeiro AssociatedFile (se houver) é usado para preencher o campo class_name dos resultados. O campo display_name é preenchido a partir do AssociatedFile (se houver) cuja localidade corresponde ao campo display_names_locale do ObjectDetectorOptions usado no momento da criação ("en" por padrão, ou seja, inglês). Se nenhum deles estiver disponível, apenas o campo de index dos resultados será preenchido.

  • Tensor de pontuação (kTfLiteFloat32)

    • tensor de tamanho [1 x num_results] , cada valor representando a pontuação do objeto detectado.

  • Número do tensor de detecção (kTfLiteFloat32)

    • integer num_results como um tensor de tamanho [1] .