画像検索では、画像データベースの類似した画像を検索できます。クエリの語義を表す高次元のベクトルに検索クエリを埋め込み、ScaNN (Scalable Nearest Neighbors) を使用した定義済みのカスタムインデックスで類似検索を実行します。
画像分類とは対照的に、認識可能な項目の数が増えても、モデル全体を再トレーニングする必要がありません。インデックスを再構築するだけで、新しい項目を追加できます。このため、大規模な画像データベース (項目 10 万件以上) でも動作します。
Task Library ImageSearcher
API を使用して、カスタム画像検索をモバイルアプリにデプロイします。
ImageSearcher API の主な機能
単一の画像を入力として取り、インデックスで埋め込み抽出と最近傍探索を実行します。
回転、サイズ変更、色空間変換などの入力画像処理。
入力画像の関心領域。
前提条件
ImageSearcher
API を使用する前に、検索する画像のカスタムコーパスに基づいて、インデックスを構築する必要があります。構築するには、チュートリアルに従い、調整しながら、Model Maker Searcher API を使用します。
次の項目が必要です。
- mobilenet v3 などの TFLite 画像埋め込みモデル。TensorFlow Hub の Google Image Modules コレクションのトレーニング済み埋め込みモデル (特徴量ベクトルモデル) を参照してください。
- 画像のコーパス
このステップの後、スタンドアロン TFLite 検索モデル (例: mobilenet_v3_searcher.tflite
) が必要です。このモデルは、インデックスが TFLite Model Metadata に関連付けられた、元の画像埋め込みモデルです。
Java で推論を実行する
ステップ 1: Gradle の依存関係とその他の設定をインポートする
.tflite
検索モデルファイルを、モデルが実行される Android モジュールのアセットディレクトリにコピーします。ファイルを圧縮しないように指定し、TensorFlow Lite ライブラリをモジュールのbuild.gradle
ファイルに追加します。
android {
// Other settings
// Specify tflite index 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:0.4.4'
// Import the GPU delegate plugin Library for GPU inference
implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}
ステップ 2: モデルを使用する
// Initialization
ImageSearcherOptions options =
ImageSearcherOptions.builder()
.setBaseOptions(BaseOptions.builder().useGpu().build())
.setSearcherOptions(
SearcherOptions.builder().setL2Normalize(true).build())
.build();
ImageSearcher imageSearcher =
ImageSearcher.createFromFileAndOptions(context, modelFile, options);
// Run inference
List<NearestNeighbor> results = imageSearcher.search(image);
ソースコードと javadoc を参照し、ImageSearcher
を構成するその他のオプションについてご覧ください。
C++ で推論を実行する
// Initialization
ImageSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<ImageSearcher> image_searcher = ImageSearcher::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 SearchResult result = image_searcher->Search(*frame_buffer).value();
ImageSearcher
を構成するその他のオプションについては、ソースコードを参照してください。
Python で推論を実行する
ステップ 1: TensorFlow Lite Support Pypi パッケージをインストールする
次のコマンドを使用して、TensorFlow Lite Support Pypi パッケージをインストールします。
pip install tflite-support
ステップ 2: モデルを使用する
from tflite_support.task import vision
# Initialization
image_searcher = vision.ImageSearcher.create_from_file(model_path)
# Run inference
image = vision.TensorImage.create_from_file(image_file)
result = image_searcher.search(image)
ImageSearcher
を構成するその他のオプションについては、ソースコードを参照してください。
結果の例
Results:
Rank#0:
metadata: burger
distance: 0.13452
Rank#1:
metadata: car
distance: 1.81935
Rank#2:
metadata: bird
distance: 1.96617
Rank#3:
metadata: dog
distance: 2.05610
Rank#4:
metadata: cat
distance: 2.06347
独自のモデルとテストデータを使用して、シンプルなImageSearcher 用 CLI デモツールをお試しください。