集成图像搜索器

图像搜索允许在图像数据库中搜索类似图像。它的工作原理是将搜索查询嵌入到一个高维向量中，该向量表示查询的语义含义，然后使用 ScaNN (可扩展最近邻) 在预定义的自定义索引中进行相似性搜索。

与 图像分类 不同，扩展可识别项目的数量不需要重新训练整个模型。只需重新构建索引即可添加新项目。这也使您可以处理更大的图像数据库（超过 100,000 个项目）。

使用任务库 ImageSearcher API 将您的自定义图像搜索器部署到您的移动应用程序中。

ImageSearcher API 的主要功能

  • 将单个图像作为输入，执行嵌入提取和索引中的最近邻搜索。

  • 输入图像处理，包括旋转、调整大小和颜色空间转换。

  • 输入图像的感兴趣区域。

先决条件

在使用 ImageSearcher API 之前，需要根据要搜索的自定义图像语料库构建索引。这可以通过使用 Model Maker Searcher API 来实现，方法是遵循和调整 教程。

为此，您将需要

完成此步骤后，您应该拥有一个独立的 TFLite 搜索器模型（例如 mobilenet_v3_searcher.tflite），它是原始图像嵌入器模型，其中索引附加到 TFLite 模型元数据 中。

在 Java 中运行推理

步骤 1：导入 Gradle 依赖项和其他设置

将 .tflite 搜索器模型文件复制到将运行模型的 Android 模块的 assets 目录中。指定该文件不应压缩，并将 TensorFlow Lite 库添加到模块的 build.gradle 文件中

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'
}

步骤 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);

查看 源代码和 javadoc，了解有关配置 ImageSearcher 的更多选项。

在 C++ 中运行推理

// 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();

查看 源代码，了解有关配置 ImageSearcher 的更多选项。

在 Python 中运行推理

步骤 1：安装 TensorFlow Lite Support Pypi 包。

您可以使用以下命令安装 TensorFlow Lite Support Pypi 包

pip install tflite-support

步骤 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)

查看 源代码，了解有关配置 ImageSearcher 的更多选项。

示例结果

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测试数据尝试使用简单的 ImageSearcher 的 CLI 演示工具。