Créer une application Android pour détecter des objets dans des images

Créer une application Android pour détecter des objets dans des images

À propos de cet atelier de programmation

Dernière mise à jour : avr. 5, 2022

Rédigé par Wei wei

1. Avant de commencer

Dans cet atelier de programmation, vous allez apprendre à exécuter une inférence de détection d'objets à partir d'une application Android en utilisant TensorFlow Serving avec REST et gRPC.

Prérequis

• Connaissances de base en développement Android avec Java
• Des connaissances de base en machine learning avec TensorFlow, telles que l'entraînement et le déploiement
• Connaissances de base des terminaux et de Docker

Points abordés

• Trouver des modèles de détection d'objets pré-entraînés sur TensorFlow Hub
• Découvrez comment créer une application Android simple et effectuer des prédictions à l'aide du modèle de détection d'objets téléchargé via TensorFlow Serving (REST et gRPC).
• Comment afficher le résultat de la détection dans l'interface utilisateur

Prérequis

• La dernière version d'Android Studio
• Docker
• Bash

2. Configuration

Pour télécharger le code de cet atelier de programmation:

1. Accédez au dépôt GitHub de cet atelier de programmation.
2. Cliquez sur Code > Télécharger le fichier ZIP pour télécharger l'ensemble du code de cet atelier de programmation.

3. Décompressez le fichier ZIP téléchargé pour décompresser un dossier racine codelabs contenant toutes les ressources dont vous avez besoin.

Pour cet atelier de programmation, vous n'avez besoin que des fichiers du sous-répertoire TFServing/ObjectDetectionAndroid dans le dépôt, qui contient deux dossiers:

• Le dossier starter contient le code de démarrage sur lequel s'appuie cet atelier de programmation.
• Le dossier finished contient le code final de l'exemple d'application.

3. Ajouter les dépendances au projet

Importer l'application de départ dans Android Studio

• Dans Android Studio, cliquez sur File > New > Import Project (Fichier > Nouveau > Importer un projet), puis sélectionnez le dossier starter dans le code source que vous avez téléchargé précédemment.

Ajouter les dépendances pour OkHttp et gRPC

• Dans le fichier app/build.gradle de votre projet, confirmez la présence des dépendances.

dependencies {
  // ...
    implementation 'com.squareup.okhttp3:okhttp:4.9.0'
    implementation 'javax.annotation:javax.annotation-api:1.3.2'
    implementation 'io.grpc:grpc-okhttp:1.29.0'
    implementation 'io.grpc:grpc-protobuf-lite:1.29.0'
    implementation 'io.grpc:grpc-stub:1.29.0'
}

Synchroniser votre projet avec les fichiers Gradle

• Dans le menu de navigation, sélectionnez Sync Project with Gradle Files (Synchroniser le projet avec les fichiers Gradle).

4. Exécuter l'application de démarrage

• Lancez Android Emulator,puis cliquez sur Run 'app' dans le menu de navigation.

Remarque:Cet atelier de programmation suppose que vous utilisez Android Emulator. Si vous utilisez un téléphone physique, remplacez l'adresse IP 10.0.2.2 dans le code par celle de votre serveur qui exécute TensorFlow Serving.

Exécuter et explorer l'application

L'application devrait se lancer sur votre appareil Android. L'interface utilisateur est assez simple: vous voulez détecter des objets dans une image de chat et l'utilisateur peut choisir la méthode d'envoi des données au backend, avec REST ou gRPC. Le backend effectue une détection d'objets sur l'image et renvoie les résultats de la détection à l'application cliente, qui affiche à nouveau l'interface utilisateur.

Pour le moment, si vous cliquez sur Runinférence (Exécuter l'inférence), rien ne se passe. car elle ne peut pas encore communiquer avec le backend.

5. Déployer un modèle de détection d'objets avec TensorFlow Serving

Remarque:Il est également possible de détecter les objets sur l'appareil uniquement avec TensorFlow Lite ou ML Kit, au lieu d'envoyer des requêtes à TensorFlow Serving. Pour en savoir plus, consultez Premiers pas avec la détection d'objets.

La détection d'objets est une tâche de ML très courante qui vise à détecter des objets dans des images, à savoir prédire des catégories possibles d'objets et des cadres de délimitation autour d'eux. Voici un exemple de résultat de détection:

Google a publié un certain nombre de modèles pré-entraînés dans TensorFlow Hub. Pour afficher la liste complète, accédez à la page object_detection. Vous allez utiliser le modèle SSD MobileNet V2 FPNLite 320x320, qui est relativement léger. Vous n'avez donc pas forcément besoin d'utiliser un GPU pour l'exécuter.

Pour déployer le modèle de détection d'objets avec TensorFlow Serving, procédez comme suit:

1. Téléchargez le fichier de modèle.
2. Décompressez le fichier .tar.gz téléchargé à l'aide d'un outil de décompression, tel que 7-Zip.
3. Créez un dossier ssd_mobilenet_v2_2_320, puis créez un sous-dossier 123 à l'intérieur de celui-ci.
4. Placez le dossier variables et le fichier saved_model.pb extraits dans le sous-dossier 123.

Vous pouvez désigner le dossier ssd_mobilenet_v2_2_320 comme le dossier SavedModel. 123 est un exemple de numéro de version. Si vous le souhaitez, vous pouvez en choisir un autre.

La structure de dossiers doit se présenter comme suit:

Lancer TensorFlow Serving

• Dans votre terminal, démarrez TensorFlow Serving avec Docker, mais remplacez l'espace réservé PATH/TO/SAVEDMODEL par le chemin absolu du dossier ssd_mobilenet_v2_2_320 sur votre ordinateur.

docker pull tensorflow/serving

docker run -it --rm -p 8500:8500 -p 8501:8501 -v "PATH/TO/SAVEDMODEL:/models/ssd_mobilenet_v2_2" -e MODEL_NAME=ssd_mobilenet_v2_2 tensorflow/serving

Docker télécharge d'abord l'image TensorFlow Serving, ce qui prend une minute. Ensuite, le service TensorFlow Serving doit commencer. Le journal doit ressembler à l'extrait de code suivant:

2022-02-25 06:01:12.513231: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:206] Restoring SavedModel bundle.
2022-02-25 06:01:12.585012: I external/org_tensorflow/tensorflow/core/platform/profile_utils/cpu_utils.cc:114] CPU Frequency: 3000000000 Hz
2022-02-25 06:01:13.395083: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:190] Running initialization op on SavedModel bundle at path: /models/ssd_mobilenet_v2_2/123
2022-02-25 06:01:13.837562: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:277] SavedModel load for tags { serve }; Status: success: OK. Took 1928700 microseconds.
2022-02-25 06:01:13.877848: I tensorflow_serving/servables/tensorflow/saved_model_warmup_util.cc:59] No warmup data file found at /models/ssd_mobilenet_v2_2/123/assets.extra/tf_serving_warmup_requests
2022-02-25 06:01:13.929844: I tensorflow_serving/core/loader_harness.cc:87] Successfully loaded servable version {name: ssd_mobilenet_v2_2 version: 123}
2022-02-25 06:01:13.985848: I tensorflow_serving/model_servers/server_core.cc:486] Finished adding/updating models
2022-02-25 06:01:13.985987: I tensorflow_serving/model_servers/server.cc:367] Profiler service is enabled
2022-02-25 06:01:13.988994: I tensorflow_serving/model_servers/server.cc:393] Running gRPC ModelServer at 0.0.0.0:8500 ...
[warn] getaddrinfo: address family for nodename not supported
2022-02-25 06:01:14.033872: I tensorflow_serving/model_servers/server.cc:414] Exporting HTTP/REST API at:localhost:8501 ...
[evhttp_server.cc : 245] NET_LOG: Entering the event loop ...

Remarque:Vous pouvez accéder à http://localhost:8501/v1/models/<MODEL_NAME>/metadata pour inspecter les détails des Tensors d'entrée et de sortie, après avoir démarré l'image Docker TensorFlow Serving. Dans cet atelier de programmation, remplacez <NOM_MODÈLE> par ssd_mobilenet_v2_2.

6. Connecter l'application Android à l'aide de TensorFlow Serving via REST

Le backend est prêt. Vous pouvez donc envoyer des requêtes client à TensorFlow Serving pour détecter des objets dans les images. Il existe deux façons d'envoyer des requêtes à TensorFlow Serving:

• REST
• gRPC

Envoyer des requêtes et recevoir des réponses via REST

Il vous suffit de suivre ces trois étapes simples:

• Créez la requête REST.
• Envoyez la requête REST à TensorFlow Serving.
• Extrayez le résultat prédit de la réponse REST et affichez l'interface utilisateur.

Vous allez atteindre cet objectif en MainActivity.java.

Créer la requête REST

Le fichier MainActivity.java contient actuellement une fonction createRESTRequest() vide. Vous implémentez cette fonction pour créer une requête REST.

private Request createRESTRequest() {
}

TensorFlow Serving attend une requête POST contenant le Tensor d'image pour le modèle SSD MobileNet que vous utilisez. Vous devez donc extraire les valeurs RVB de chaque pixel de l'image dans un tableau, puis encapsuler le tableau dans un fichier JSON (la charge utile). de la demande.

• Ajoutez ce code à la fonction createRESTRequest():

//Create the REST request.
int[] inputImg = new int[INPUT_IMG_HEIGHT * INPUT_IMG_WIDTH];
int[][][][] inputImgRGB = new int[1][INPUT_IMG_HEIGHT][INPUT_IMG_WIDTH][3];
inputImgBitmap.getPixels(inputImg, 0, INPUT_IMG_WIDTH, 0, 0, INPUT_IMG_WIDTH, INPUT_IMG_HEIGHT);
int pixel;
for (int i = 0; i < INPUT_IMG_HEIGHT; i++) {
    for (int j = 0; j < INPUT_IMG_WIDTH; j++) {
    // Extract RBG values from each pixel; alpha is ignored
    pixel = inputImg[i * INPUT_IMG_WIDTH + j];
    inputImgRGB[0][i][j][0] = ((pixel >> 16) & 0xff);
    inputImgRGB[0][i][j][1] = ((pixel >> 8) & 0xff);
    inputImgRGB[0][i][j][2] = ((pixel) & 0xff);
    }
}

RequestBody requestBody =
    RequestBody.create("{\"instances\": " + Arrays.deepToString(inputImgRGB) + "}", JSON);

Request request =
    new Request.Builder()
        .url("http://" + SERVER + ":" + REST_PORT + "/v1/models/" + MODEL_NAME + ":predict")
        .post(requestBody)
        .build();

return request;

Envoyer la requête REST à TensorFlow Serving

L'application permet à l'utilisateur de choisir REST ou gRPC pour communiquer avec TensorFlow Serving. Il existe donc deux branches dans l'écouteur onClick(View view).

predictButton.setOnClickListener(
    new View.OnClickListener() {
        @Override
        public void onClick(View view) {
            if (requestRadioGroup.getCheckedRadioButtonId() == R.id.rest) {
                // TODO: REST request
            }
            else {

            }
        }
    }
)

• Ajoutez ce code à la branche REST de l'écouteur onClick(View view) pour utiliser OkHttp afin d'envoyer la requête à TensorFlow Serving:

// Send the REST request.
Request request = createRESTRequest();
try {
    client =
        new OkHttpClient.Builder()
            .connectTimeout(20, TimeUnit.SECONDS)
            .writeTimeout(20, TimeUnit.SECONDS)
            .readTimeout(20, TimeUnit.SECONDS)
            .callTimeout(20, TimeUnit.SECONDS)
            .build();
    Response response = client.newCall(request).execute();
    JSONObject responseObject = new JSONObject(response.body().string());
    postprocessRESTResponse(responseObject);
} catch (IOException | JSONException e) {
    Log.e(TAG, e.getMessage());
    responseTextView.setText(e.getMessage());
    return;
}

Traitez la réponse REST à partir de TensorFlow Serving.

Le modèle SSD MobileNet renvoie un certain nombre de résultats, parmi lesquels:

• num_detections: nombre de détections.
• detection_scores: scores de détection
• detection_classes: index de classe de détection
• detection_boxes: coordonnées du cadre de délimitation

Vous mettez en œuvre la fonction postprocessRESTResponse() pour gérer la réponse.

private void postprocessRESTResponse(Predict.PredictResponse response) {

}

• Ajoutez ce code à la fonction postprocessRESTResponse():

// Process the REST response.
JSONArray predictionsArray = responseObject.getJSONArray("predictions");
//You only send one image, so you directly extract the first element.
JSONObject predictions = predictionsArray.getJSONObject(0);
// Argmax
int maxIndex = 0;
JSONArray detectionScores = predictions.getJSONArray("detection_scores");
for (int j = 0; j < predictions.getInt("num_detections"); j++) {
    maxIndex =
        detectionScores.getDouble(j) > detectionScores.getDouble(maxIndex + 1) ? j : maxIndex;
}
int detectionClass = predictions.getJSONArray("detection_classes").getInt(maxIndex);
JSONArray boundingBox = predictions.getJSONArray("detection_boxes").getJSONArray(maxIndex);
double ymin = boundingBox.getDouble(0);
double xmin = boundingBox.getDouble(1);
double ymax = boundingBox.getDouble(2);
double xmax = boundingBox.getDouble(3);
displayResult(detectionClass, (float) ymin, (float) xmin, (float) ymax, (float) xmax);

La fonction de post-traitement extrait les valeurs prédites de la réponse, identifie la catégorie la plus probable de l'objet et les coordonnées des sommets du cadre de délimitation, puis affiche le cadre de délimitation de la détection dans l'interface utilisateur.

Exécuter le code

1. Dans le menu de navigation, cliquez sur Exécuter "app", puis attendez que l'application se charge.
2. Sélectionnez REST > Exécuter une inférence.

Il faut quelques secondes avant que l'application affiche le cadre de délimitation du chat et affiche 17 comme catégorie de l'objet, qui est mappée à l'objet cat dans l'ensemble de données COCO.

Remarque:La première exécution peut être lente, car certains composants TensorFlow Serving sont initialisés de manière différée. Pour en savoir plus sur le préchauffement SavedModel, consultez la documentation de TensorFlow Serving.

7. Connecter l'application Android à TensorFlow Serving via gRPC

Outre REST, TensorFlow Serving est également compatible avec gRPC.

gRPC est un framework d'appel de procédure à distance (RPC) moderne et Open Source qui peut être exécuté dans n'importe quel environnement. Grâce à cette solution, les services peuvent être connectés efficacement aux services de centres de données, et ils sont compatibles avec l'équilibrage de charge, le traçage, la vérification de l'état et l'authentification. En pratique, gRPC a été plus performant que REST en pratique.

Envoyer des requêtes et recevoir des réponses avec gRPC

Il existe quatre étapes simples:

• (Facultatif) Générez le code de souche de clients gRPC.
• Créez la requête gRPC.
• Envoyez la requête gRPC à TensorFlow Serving.
• Extrayez le résultat prédit de la réponse gRPC, puis affichez l'interface utilisateur.

Vous allez atteindre cet objectif en MainActivity.java.

Facultatif: Générer le code du bouchon pour le client gRPC

Remarque:Cette étape est facultative, car le code de démarrage inclut déjà le code nécessaire pour générer automatiquement le bouchon. Cependant, il est utile de le lire afin de comprendre le processus si vous souhaitez générer vous-même le bouchon client.

Pour utiliser gRPC avec TensorFlow Serving, vous devez suivre le workflow gRPC. Pour en savoir plus, consultez la documentation gRPC.

TensorFlow Serving et TensorFlow définissent les fichiers .proto pour vous. À partir de TensorFlow et de TensorFlow Serving 2.8, ces fichiers .proto sont nécessaires:

tensorflow/core/example/example.proto
tensorflow/core/example/feature.proto
tensorflow/core/protobuf/struct.proto
tensorflow/core/protobuf/saved_object_graph.proto
tensorflow/core/protobuf/saver.proto
tensorflow/core/protobuf/trackable_object_graph.proto
tensorflow/core/protobuf/meta_graph.proto
tensorflow/core/framework/node_def.proto
tensorflow/core/framework/attr_value.proto
tensorflow/core/framework/function.proto
tensorflow/core/framework/types.proto
tensorflow/core/framework/tensor_shape.proto
tensorflow/core/framework/full_type.proto
tensorflow/core/framework/versions.proto
tensorflow/core/framework/op_def.proto
tensorflow/core/framework/graph.proto
tensorflow/core/framework/tensor.proto
tensorflow/core/framework/resource_handle.proto
tensorflow/core/framework/variable.proto

tensorflow_serving/apis/inference.proto
tensorflow_serving/apis/classification.proto
tensorflow_serving/apis/predict.proto
tensorflow_serving/apis/regression.proto
tensorflow_serving/apis/get_model_metadata.proto
tensorflow_serving/apis/input.proto
tensorflow_serving/apis/prediction_service.proto
tensorflow_serving/apis/model.proto

• Pour générer le bouchon, ajoutez ce code au fichier app/build.gradle.

apply plugin: 'com.google.protobuf'

protobuf {
    protoc { artifact = 'com.google.protobuf:protoc:3.11.0' }
    plugins {
        grpc { artifact = 'io.grpc:protoc-gen-grpc-java:1.29.0'
        }
    }
    generateProtoTasks {
        all().each { task ->
            task.builtins {
                java { option 'lite' }
            }
            task.plugins {
                grpc { option 'lite' }
            }
        }
    }
}

Créer la requête gRPC

Comme pour la requête REST, vous créez la requête gRPC dans la fonction createGRPCRequest().

private Request createGRPCRequest() {

}

• Ajoutez ce code à la fonction createGRPCRequest():

if (stub == null) {
  channel = ManagedChannelBuilder.forAddress(SERVER, GRPC_PORT).usePlaintext().build();
  stub = PredictionServiceGrpc.newBlockingStub(channel);
}

Model.ModelSpec.Builder modelSpecBuilder = Model.ModelSpec.newBuilder();
modelSpecBuilder.setName(MODEL_NAME);
modelSpecBuilder.setVersion(Int64Value.of(MODEL_VERSION));
modelSpecBuilder.setSignatureName(SIGNATURE_NAME);

Predict.PredictRequest.Builder builder = Predict.PredictRequest.newBuilder();
builder.setModelSpec(modelSpecBuilder);

TensorProto.Builder tensorProtoBuilder = TensorProto.newBuilder();
tensorProtoBuilder.setDtype(DataType.DT_UINT8);
TensorShapeProto.Builder tensorShapeBuilder = TensorShapeProto.newBuilder();
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(1));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(INPUT_IMG_HEIGHT));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(INPUT_IMG_WIDTH));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(3));
tensorProtoBuilder.setTensorShape(tensorShapeBuilder.build());
int[] inputImg = new int[INPUT_IMG_HEIGHT * INPUT_IMG_WIDTH];
inputImgBitmap.getPixels(inputImg, 0, INPUT_IMG_WIDTH, 0, 0, INPUT_IMG_WIDTH, INPUT_IMG_HEIGHT);
int pixel;
for (int i = 0; i < INPUT_IMG_HEIGHT; i++) {
    for (int j = 0; j < INPUT_IMG_WIDTH; j++) {
    // Extract RBG values from each pixel; alpha is ignored.
    pixel = inputImg[i * INPUT_IMG_WIDTH + j];
    tensorProtoBuilder.addIntVal((pixel >> 16) & 0xff);
    tensorProtoBuilder.addIntVal((pixel >> 8) & 0xff);
    tensorProtoBuilder.addIntVal((pixel) & 0xff);
    }
}
TensorProto tensorProto = tensorProtoBuilder.build();

builder.putInputs("input_tensor", tensorProto);

builder.addOutputFilter("num_detections");
builder.addOutputFilter("detection_boxes");
builder.addOutputFilter("detection_classes");
builder.addOutputFilter("detection_scores");

return builder.build();

Envoyer la requête gRPC à TensorFlow Serving

Vous pouvez à présent terminer l'écouteur onClick(View view).

predictButton.setOnClickListener(
    new View.OnClickListener() {
        @Override
        public void onClick(View view) {
            if (requestRadioGroup.getCheckedRadioButtonId() == R.id.rest) {

            }
            else {
                // TODO: gRPC request
            }
        }
    }
)

• Ajoutez ce code à la branche gRPC:

try {
    Predict.PredictRequest request = createGRPCRequest();
    Predict.PredictResponse response = stub.predict(request);
    postprocessGRPCResponse(response);
} catch (Exception e) {
    Log.e(TAG, e.getMessage());
    responseTextView.setText(e.getMessage());
    return;
}

Traiter la réponse gRPC de TensorFlow Serving

Comme pour gRPC, vous mettez en œuvre la fonction postprocessGRPCResponse() pour gérer la réponse.

private void postprocessGRPCResponse(Predict.PredictResponse response) {

}

• Ajoutez ce code à la fonction postprocessGRPCResponse():

// Process the response.
float numDetections = response.getOutputsMap().get("num_detections").getFloatValList().get(0);
List<Float> detectionScores =    response.getOutputsMap().get("detection_scores").getFloatValList();
int maxIndex = 0;
for (int j = 0; j < numDetections; j++) {
    maxIndex = detectionScores.get(j) > detectionScores.get(maxIndex + 1) ? j : maxIndex;
}
Float detectionClass =    response.getOutputsMap().get("detection_classes").getFloatValList().get(maxIndex);
List<Float> boundingBoxValues =    response.getOutputsMap().get("detection_boxes").getFloatValList();
float ymin = boundingBoxValues.get(maxIndex * 4);
float xmin = boundingBoxValues.get(maxIndex * 4 + 1);
float ymax = boundingBoxValues.get(maxIndex * 4 + 2);
float xmax = boundingBoxValues.get(maxIndex * 4 + 3);
displayResult(detectionClass.intValue(), ymin, xmin, ymax, xmax);

La fonction de post-traitement peut désormais extraire les valeurs prédites de la réponse et afficher le cadre de délimitation de la détection dans l'interface utilisateur.

Exécuter le code

1. Dans le menu de navigation, cliquez sur Exécuter "app", puis attendez que l'application se charge.
2. Sélectionnez Webhook > Exécuter l'inférence.

Il faut quelques secondes pour que l'application affiche le cadre de délimitation du chat et affiche 17 comme catégorie de l'objet, qui correspond à la catégorie cat dans l'ensemble de données COCO.

8. Félicitations

Vous avez utilisé TensorFlow Serving pour ajouter des fonctionnalités de détection d'objets à votre application !

Learn more

• Page d'accueil de TensorFlow Serving
• Page d'accueil gRPC
• Collection de modèles de détection d'objets publiés par Google sur TensorFlow Hub
• Tutoriel sur la détection d'objets TensorFlow
• API TensorFlow Object Detection