iOS利用CoreML运用小型深度神经网络架构对图像举行解析 ...

查找一个图片选择器

我用的是ImagePicker
项目有点老了，须要做一些改造，下面是新的仓库

1. platform :ios, '16.0'
3. use_frameworks!
5. target 'learnings' do
6.   source 'https://github.com/CocoaPods/Specs.git'
8.   pod 'ImagePicker', :git => 'https://github.com/KevinSnoopy/ImagePicker.git'
9.   
10. end

复制代码

接下来就是利用图片选择器输出图片了

1.     func wrapperDidPress(_ imagePicker: ImagePicker.ImagePickerController, images: [UIImage]) {
2.         
3.     }
4.    
5.     func doneButtonDidPress(_ imagePicker: ImagePicker.ImagePickerController, images: [UIImage]) {
6.         if !images.isEmpty, let _ = images.first {
7.             /**
8.              在这里输出图片，可以调用模型进行解析
9.              */
10.         }
11.     }
12.    
13.     func cancelButtonDidPress(_ imagePicker: ImagePicker.ImagePickerController) {
14.         imagePicker.dismiss(animated: true)
15.     }

复制代码

当前我利用了几个公开的模型

FCRN：

1. /**
2.      深度估计
3.      根据一幅图像来预测深度。
4.      */
5.     func fcrnDepthPrediction(image: UIImage?) {
6.         let config = MLModelConfiguration()
7.         config.computeUnits = .all
8.         if let img = image?.cgImage, let fcrn = try? FCRN(contentsOf: FCRN.urlOfModelInThisBundle, configuration: config) {
9.             if let input = try? FCRNInput(imageWith: img), let output = try? fcrn.prediction(input: input) {
10.                 print(output.depthmapShapedArray)
11.             }
12.         }
13.     }

复制代码

MNISTClassifier：

1. /**
2.      涂鸦分类
3.      对单个手写数字进行分类 (支持数字 0-9)。
4.      */
5.     func mnistClassifier(image: UIImage?) {
6.         if let img = image?.cgImage, let mnist = try? MNISTClassifier(contentsOf: MNISTClassifier.urlOfModelInThisBundle, configuration: MLModelConfiguration()) {
7.             if let input = try? MNISTClassifierInput(imageWith: img), let output = try? mnist.prediction(input: input) {
8.                 print(output.classLabel)
9.                 print(output.labelProbabilities)
10.             }
11.         }
12.     }

复制代码

UpdatableDrawingClassifier：

1. /**
2.      涂鸦分类
3.      基于 K-最近邻算法（KNN）模型来学习识别新涂鸦的涂鸦分类器。
4.      */
5.     func updatableDrawingClassifier(image: UIImage?) {
6.         if let img = image?.cgImage, let updatable = try? UpdatableDrawingClassifier(contentsOf: UpdatableDrawingClassifier.urlOfModelInThisBundle, configuration: MLModelConfiguration()) {
7.             if let input = try? UpdatableDrawingClassifierInput(drawingWith: img), let output = try? updatable.prediction(input: input) {
8.                 print(output.label)
9.                 print(output.labelProbs)
10.             }
11.         }
12.     }

复制代码

MobileNetV2：

1. /**
2.      图像分类
3.      MobileNetv2 架构经过训练，可对相机取景框内或图像中的主要对象进行分类。
4.      */
5.     func mobileNetV2(image: UIImage?) {
6.         if let img = image?.cgImage, let netv2 = try? MobileNetV2(contentsOf: MobileNetV2.urlOfModelInThisBundle, configuration: MLModelConfiguration()) {
7.             if let input = try? MobileNetV2Input(imageWith: img), let output = try? netv2.prediction(input: input) {
8.                 print(output.classLabel)
9.                 print(output.classLabelProbs)
10.             }
11.         }
12.     }

复制代码

Resnet50：

1. /**
2.      图像分类
3.      一种残差神经网络，它能对相机取景框内或图像中的主要对象进行分类。
4.      */
5.     func resnet50(image: UIImage?) {
6.         if let img = image?.cgImage, let resnet = try? Resnet50(contentsOf: Resnet50.urlOfModelInThisBundle, configuration: MLModelConfiguration()) {
7.             if let input = try? Resnet50Input(imageWith: img), let output = try? resnet.prediction(input: input) {
8.                 print(output.classLabel)
9.                 print(output.classLabelProbs)
10.             }
11.         }
12.     }

复制代码

SqueezeNet：

1. /**
2.      图像分类
3.      一种小型深度神经网络架构，它能对相机取景框内或图像中的主要对象进行分类。
4.      */
5.     func squeezeNet(image: UIImage?) {
6.         if let img = image?.cgImage, let net = try? SqueezeNet(contentsOf: SqueezeNet.urlOfModelInThisBundle, configuration: MLModelConfiguration()) {
7.             if let input = try? SqueezeNetInput(imageWith: img), let output = try? net.prediction(input: input) {
8.                 print(output.classLabel)
9.                 print(output.classLabelProbs)
10.             }
11.         }
12.     }

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。