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.
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:
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.
- input immagine di dimensioni
Tensore delle maschere di output: (kTfLiteUInt8/kTfLiteFloat32)
- tensore di dimensione
[batch x mask_height x mask_width x num_classes]
, dovebatch
deve essere 1,mask_width
emask_height
sono le dimensioni delle maschere di segmentazione prodotte dal modello enum_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
(denominatoclass_name
in C++) dei risultati. Il campodisplay_name
viene compilato dall'AssociadFile (se presente) la cui locale corrisponde al campodisplay_names_locale
diImageSegmenterOptions
utilizzato al momento della creazione ("en" per impostazione predefinita, ovvero inglese). Se nessuno di questi è disponibile, verrà compilato solo il campoindex
dei risultati.
- tensore di dimensione