整合圖像搜尋器

圖像搜尋可讓您在圖像資料庫中搜尋相似的圖像。其運作方式是將搜尋查詢嵌入高維向量，代表查詢的語意，然後使用 ScaNN (可擴充最近鄰演算法) 在預先定義的自訂索引中進行相似度搜尋。

與 圖像分類 相反，擴充可辨識項目的數量不需要重新訓練整個模型。只需重建索引即可新增項目。這也讓您能夠處理較大型 (10 萬個以上項目) 的圖像資料庫。

使用工作程式庫 ImageSearcher API，將您的自訂圖像搜尋器部署到您的行動應用程式中。

ImageSearcher API 的主要功能

  • 以單一圖像作為輸入，在索引中執行嵌入擷取和最近鄰搜尋。

  • 輸入圖像處理，包括旋轉、調整大小和色彩空間轉換。

  • 輸入圖像的感興趣區域。

先決條件

使用 ImageSearcher API 之前，需要根據要搜尋的自訂圖像語料庫建立索引。這可以使用 Model Maker Searcher API，並依照和調整 教學課程 來達成。

為此，您需要

在此步驟之後，您應該會有一個獨立的 TFLite 搜尋器模型 (例如 mobilenet_v3_searcher.tflite)，也就是原始圖像嵌入器模型，其中索引已附加到 TFLite 模型中繼資料。

在 Java 中執行推論

步驟 1：匯入 Gradle 相依性和其他設定

將 .tflite 搜尋器模型檔案複製到將執行模型的 Android 模組的 assets 目錄。指定檔案不應壓縮，並將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案

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'
}

步驟 2：使用模型

// 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);

請參閱 原始碼和 javadoc，以取得設定 ImageSearcher 的更多選項。

在 C++ 中執行推論

// 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();

請參閱 原始碼，以取得設定 ImageSearcher 的更多選項。

在 Python 中執行推論

步驟 1：安裝 TensorFlow Lite Support Pypi 套件。

您可以使用下列指令安裝 TensorFlow Lite Support Pypi 套件

pip install tflite-support

步驟 2：使用模型

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)

請參閱 原始碼，以取得設定 ImageSearcher 的更多選項。

範例結果

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

使用您自己的模型和測試資料，試用適用於 ImageSearcher 的簡易 CLI 示範工具。