物体検出器は、既知の物体セットのどれが存在するかを識別し、特定の画像またはビデオストリーム内のそれらの位置に関する情報を提供します。物体検出器は、物体の複数のクラスの存在と位置を検出するようにトレーニングされています。たとえば、さまざまな果物を含む画像でモデルをトレーニングし、それらが表す果物のクラスを指定するラベル (リンゴ、バナナ、イチゴなど) と各物体が画像のどこに現れるかを特定するデータを提供できます。物体検出器の詳細については、物体検出の概要をご覧ください。
Task Library ObjectDetector
API を使用して、カスタム物体検出器または事前トレーニング済みの検出器をモバイルアプリにデプロイします。
ObjectDetector API の主な機能
回転、サイズ変更、色空間変換などの入力画像処理。
マップロケールのラベル付け。
結果をフィルタリングするスコアしきい値。
Top-k 検出結果。
許可リストと拒否リストのラベルを付け。
サポートされている物体検出モデル
次のモデルは、ObjectDetector
APIとの互換性が保証されています。
AutoML Vision Edge 物体検出によって作成されたモデル。
物体検出器向け TensorFlow Lite Model Maker により作成されたモデル。
モデルの互換性要件を満たすカスタムモデル。
Java で推論を実行する
Android アプリケーションでObjectDetector
を使用する方法の例については、物体検出リファレンスアプリを参照してください。
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
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 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'
}
注意:Android Gradle プラグインのバージョン 4.1 以降、.tflite はデフォルトで noCompress リストに追加され、上記の aaptOptions は不要になりました。
ステップ 2: モデルを使用する
// 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
を構成するその他のオプションについては、ソースコードと javadoc をご覧ください。
iOS で推論を実行する
手順 1: 依存関係をインストールする
タスクライブラリは、CocoaPods を使用したインストールをサポートしています。CocoaPods がシステムにインストールされていることを確認してください。手順については、CocoaPods インストールガイドを参照してください。
ポッドを Xcode に追加する詳細な方法については、CocoaPods ガイドを参照してください。
Podfile に TensorFlowLiteTaskVision
ポッドを追加します。
target 'MyAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskVision'
end
推論で使用する .tflite
モデルがアプリバンドルに存在することを確認します。
手順 2: モデルを使用する
Swift
// 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)
Objective 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
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
手順 1: pip パッケージをインストールする
pip install tflite-support
手順 2: モデルを使用する
# 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
を構成するその他のオプションについては、ソースコードをご覧ください。
C++ で推論を実行する
// 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
を構成するその他のオプションについては、ソースコードをご覧ください。
結果の例
TensorFlow Hub からの ssd mobilenet v1 の検出結果の例を次に示します。
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
境界矩形を入力画像にレンダリングします。
独自のモデルとテストデータを使用して、シンプルな ObjectDetector 向け CLI デモツールをお試しください。
モデルの互換性要件
ObjectDetector
API は、必須の TFLite モデル メタデータを持つ TFLite モデルを想定しています。TensorFlow Lite Metadata Writer API を使用して物体検出器のメタデータを作成する例をご覧ください。
互換性のある物体検出モデルは、次の要件を満たす必要があります。
入力画像テンソル: (kTfLiteUInt8/kTfLiteFloat32)
- サイズ
[batch x height x width x channels]
の画像入力。 - バッチ推論はサポートされていません (
batch
は 1 である必要があります)。 - RGB 入力のみがサポートされています (
channels
は 3 である必要があります)。 - 型が kTfLiteFloat32 の場合、入力の正規化のためにメタデータに NormalizationOptions をアタッチする必要があります。
- サイズ
出力テンソルは、以下のように
DetectionPostProcess
演算の 4 つの出力でなければなりません。位置テンソル (kTfLiteFloat32)
- サイズ
[1 x num_results x 4]
のテンソル。[上、左、右、下]の形式で境界矩形を表す内部配列。 - BoundingBoxProperties はメタデータに添付する必要があり、
type=BOUNDARIES
および `coordinate_type = RATIO を指定する必要があります。
- サイズ
クラステンソル (kTfLiteFloat32)
- サイズ
[1 x num_results]
のテンソル。各値はクラスの整数インデックスを表します。 - オプション(ただし推奨)のラベルマップを TENSOR_VALUE_LABELS 型の AssociatedFile-s として添付できます。1 行に 1 つのラベルが含まれます。最初の AssociatedFile(存在する場合)は、結果の
class_name
フィールドを入力するために使用されます。display_name
フィールドは、AssociatedFile(存在する場合)から入力されます。そのロケールは、作成時に使用されるObjectDetectorOptions
のdisplay_names_locale
フィールドと一致します(デフォルトでは「en (英語)」)。これらのいずれも使用できない場合、結果のindex
フィールドのみを使用できます。
- サイズ
スコアテンソル (kTfLiteFloat32)
- サイズ
[1 x num_results]
のテンソル。各値は検出された物体のスコアを表します。
- サイズ
検出テンソル数 (kTfLiteFloat32)
- テンソルサイズ
[1]
の整数の num_results。
- テンソルサイズ