Классификация изображений на Android с помощью TensorFlow Lite и сервиса Azure Custom Vision

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Классификация изображений позволяет нашим приложениям Xamarin распознавать объекты на фотографиях.

Все более и более распространенной становится возможность сделать фотографию и распознать ее содержимое. Мы можем наблюдать это в наших банковских приложениях при внесении мобильного депозита, в приложениях для фото при добавлении фильтров и в приложениях HotDog, чтобы определить, является ли наша еда хот-догом.

Благодаря сервису Azure Custom Vision нам не нужно изучать сложные алгоритмы машинного обучения для реализации классификации изображений.

В этой статье мы рассмотрим, как реализовать классификацию изображений с помощью сервиса Azure Custom Vision, TensorFlow Lite (платформа машинного обучения с открытым исходным кодом) и Xamarin.Android.
Примечание: Для Xamarin.iOS мы также можем использовать сервис Azure Custom Vision с CoreML, но лучше прибережем это для другой статьи.
image

Библиотеки классификации изображений

Мы будем использовать сервис Azure Custom Vision и TensorFlow Lite для реализации нашей классификации изображений.

1. Сервис Azure Custom Vision

Сервис Azure Custom Vision упрощает создание и обучение модели машинного обучения — для этого не требуется опыт работы с Artificail Intelligence (AI) или Machine Learning (ML). Используя веб-портал сервиса Custom Vision, мы можем сделать следующее без написания какого-либо кода AI/ML:

  1. Загрузить обучающее изображение
  2. Отметить Теги/Метки объекта(ов) на изображении
  3. Повторить (модель становится лучше с большим количеством обучающих данных)
  4. Вот и все — сервис Custom Vision позаботится обо всем остальном!

2. TensorFlow Lite

TensorFlow Lite — это платформа машинного обучения с открытым исходным кодом, которая позволяет нам использовать TensorFlow в IoT и мобильных устройствах. TensorFlow Lite и TensorFlow доступны в open-source на GitHub.

Реализация классификации изображений с помощью Azure + Xamarin.Android

Полностью готовый образец приложения для классификации изображений доступен на GitHub.

1. Обучение модели

Используя веб-портал сервиса Custom Vision, мы сначала обучим модели классификации изображений. 1. На веб-портале сервиса Custom Vision нажмите New Project

image
2. В окне Create new project выставьте следующие параметры:

  • Name: XamarinImageClassification
  • Description: Identify Objects in Images
  • Resource: [Create a new resource]
  • Project Type: Classification
  • Classification Types: Multilabel (Multiple tags per image)
  • Domains: General (compact)
  • Export Capabilities: Basic platforms

3. В окне Create new project нажмите Create project

4. В окне XamarinImageClassification нажмите Add images

5. Выберите изображения, содержащие объект для идентификации

6. В окне Image Upload добавьте тег
Примечание: в данном примере мы работаем с изображениями грибов

7. В окне Image upload нажмите Upload
Примечание: продолжайте загружать изображения, пока у вас не будет, по крайней мере, 5 изображений для каждого тега

image
8. В окне XamarinImageClassification в правом верхнем углу окна нажмите кнопку Train Model (зеленое изображение шестеренок)

9. В окне Choose Training Type выберите Quick Training

10. В окне Choose Training Type выберите Train

image

2. Экспорт обученной модели из сервиса Azure Custom Vision

Теперь, когда мы обучили нашу модель, давайте экспортируем ее для использования в нашем мобильном приложении. Это позволит нам использовать модель без подключения к интернету, что обеспечит наилучшую конфиденциальность пользователя, потому что его фотографии никогда не покинут мобильное устройство.

Чтобы экспортировать нашу модель, давайте сделаем следующее:

1. В окне XamarinImageClassifcation в верхней части страницы выберите вкладку Performance

2. На вкладке Performace нажмите кнопку Export (стрелка, направленная вниз)

3. В окне Choose your platform выберите TensorFlow

image
4. В раскрывающемся списке Choose your platform выберите TensorFlow Lite

5. В окне Choose your platform выберите Download

image

3. Импорт TensorFlow Lite в наше приложение Xamarin.Android

1. Установите соответствующий пакет NuGet в нашем проекте Xamarin.Android Примечание: Этот пакет NuGet представляет собой проект с открытым исходным кодом, созданный командой Xamarin в Microsoft. Он содержит привязки C# для оригинальной библиотеки TensorFlow Lite, позволяющие использовать ее в нашем приложении Xamarin.Android 2. Распакуйте экспортированную модель, которую мы загрузили с веб-портала сервиса Custom Vision Примечание: внутри zip-файла находятся labels.txt и model.tflite:

  • labels.txt содержит теги изображений, созданные во время подготовки к обучению на сайте Custom Vision
  • models.tflite является моделью машинного обучения, которую мы используем для наших прогнозов.

3. В Visual Studio, в проекте Xamarin.Android, щелкните правой кнопкой мыши папку Assets

4. Во всплывшем меню выберите пункт Add ? Existing Item…

5. В меню Add Existing Item выберите оба недавно распакованных файла:

  • models.tflite
  • labels.txt

6. В Visual Studio, в Xamarin.Android ? Assets, щелкните правой кнопкой мыши на labels.txt

7. Во всплывшем меню выберите Properties

8. В окне Properties выберите Build Action ? Android Asset

9. В Visual Studio, в Xamarin.Android ? Assets, щелкните правой кнопкой мыши на models.tflite

10. Во всплывшем меню выберите Properties

11. В окне Properties выберите Build Action ? Android Asset

image

4. Внедрение кода классификации изображений для Xamarin.Android

Теперь, когда мы импортировали модель, пришло время заняться написанием кода.

Напоминаю, полностью готовый образец приложения для классификации изображений доступен на GitHub. В проекте Xamarin.Android, добавьте ImageClassifcationModel.cs и TensorflowClassifier.cs:

ImageClassificationModel.cs

public class ImageClassificationModel  {      public ImageClassificationModel(string tagName, float probability)      {          TagName = tagName;          Probability = probability;      }          public float Probability { get; }      public string TagName { get; }  }

TensorflowClassifier.cs

using System.Collections.Generic; using System.IO; using System.Linq; using Android.App; using Android.Graphics; using Java.IO; using Java.Nio; using Java.Nio.Channels;  public class TensorflowClassifier {     //FloatSize является константой со значением 4, потому что значение с плавающей запятой составляет 4 байта     const int FloatSize = 4;     //PixelSize - это константа со значением 3, потому что у пикселя есть три цветовых канала: красный, зеленый и синий.     const int PixelSize = 3;      public List<ImageClassificationModel> Classify(byte[] image)     {         var mappedByteBuffer = GetModelAsMappedByteBuffer();         var interpreter = new Xamarin.TensorFlow.Lite.Interpreter(mappedByteBuffer);          //Чтобы изменить размер изображения, сначала нужно получить необходимую ширину и высоту         var tensor = interpreter.GetInputTensor(0);         var shape = tensor.Shape();          var width = shape[1];         var height = shape[2];          var byteBuffer = GetPhotoAsByteBuffer(image, width, height);          //Используйте StreamReader для инпорта из labels.txt         var streamReader = new StreamReader(Application.Context.Assets.Open("labels.txt"));          //Преобразуйте labels.txt в List<string>         var labels = streamReader.ReadToEnd().Split(' ').Select(s => s.Trim()).Where(s => !string.IsNullOrEmpty(s)).ToList();          //Преобразуйте наш двумерный массив в Java.Lang.Object, обязательный ввод для Xamarin.TensorFlow.List.Interpreter.         var outputLocations = new float[1][] { new float[labels.Count] };         var outputs = Java.Lang.Object.FromArray(outputLocations);          interpreter.Run(byteBuffer, outputs);         var classificationResult = outputs.ToArray<float[]>();          //Сопоставьте classificationResult с метками и отсортируйте результат, чтобы определить, какая метка имеет наибольшую вероятность         var classificationModelList = new List<ImageClassificationModel>();          for (var i = 0; i < labels.Count; i++)         {             var label = labels[i]; classificationModelList.Add(new ImageClassificationModel(label, classificationResult[0][i]));         }          return classificationModelList;     }      //Преобразуйте model.tflite в Java.Nio.MappedByteBuffer, требуемый тип для Xamarin.TensorFlow.Lite.Interpreter.     private MappedByteBuffer GetModelAsMappedByteBuffer()     {         var assetDescriptor = Application.Context.Assets.OpenFd("model.tflite");         var inputStream = new FileInputStream(assetDescriptor.FileDescriptor);          var mappedByteBuffer = inputStream.Channel.Map(FileChannel.MapMode.ReadOnly, assetDescriptor.StartOffset, assetDescriptor.DeclaredLength);          return mappedByteBuffer;     }      //Изменить размер изображения для интерпретатора TensorFlow     private ByteBuffer GetPhotoAsByteBuffer(byte[] image, int width, int height)     {         var bitmap = BitmapFactory.DecodeByteArray(image, 0, image.Length);         var resizedBitmap = Bitmap.CreateScaledBitmap(bitmap, width, height, true);          var modelInputSize = FloatSize * height * width * PixelSize;         var byteBuffer = ByteBuffer.AllocateDirect(modelInputSize);         byteBuffer.Order(ByteOrder.NativeOrder());          var pixels = new int[width * height];         resizedBitmap.GetPixels(pixels, 0, resizedBitmap.Width, 0, 0, resizedBitmap.Width, resizedBitmap.Height);          var pixel = 0;          //Прокрутите каждый пиксель для создания Java.Nio.ByteBuffer         for (var i = 0; i < width; i++)         {             for (var j = 0; j < height; j++)             {                 var pixelVal = pixels[pixel++];                  byteBuffer.PutFloat(pixelVal >> 16 & 0xFF);                 byteBuffer.PutFloat(pixelVal >> 8 & 0xFF);                 byteBuffer.PutFloat(pixelVal & 0xFF);             }         }          bitmap.Recycle();          return byteBuffer;     } }

Вот и все! Теперь мы можем передать изображение в TensorflowClassifier.Classify, чтобы получить ImageClassificationModel.

Материалы для дополнительного изучения

Ознакомьтесь со ссылками ниже:


Источник: habr.com

Комментарии: