TfliteModel

ใช้โมเดล TFLite ที่นำเข้าในตัวจัดการเทมเพลตเพื่อตรวจจับวัตถุหรือจำแนกภาพ เลือกชนิดโมเดลให้ถูกต้องที่นั่น รองรับเอาต์พุต: ตรวจจับ YOLOv8/YOLO11 [1,N,4+C]/[1,4+C,N]; ตรวจจับ YOLO26 [1,N,6]/[N,6]; จำแนก YOLO11/YOLO26 และ MobileNetV3 [1,C] รองรับ FLOAT32, INT8 และ UINT8 โดยอัตโนมัติ การจำแนกคืนคะแนนและข้อมูลคลาสโดยไม่มีจุดหรือกรอบบนหน้าจอ การรันต้องมีไฟล์โมเดลในเครื่อง หากหาไฟล์ไม่ได้จะเกิดข้อผิดพลาด

รูปแบบคำสั่ง

TfliteModel(model)

พารามิเตอร์สำหรับสร้างออบเจ็กต์

ชื่อคำอธิบาย
modelString
Model reference to use for inference (prefer template model name).
จำเป็น · ระบุตามตำแหน่งหรือชื่อ
ไม่มีค่าเริ่มต้น

ค่าที่ส่งกลับ

ตัวอย่าง

# ตรวจสอบความพร้อมของโมเดลก่อนรันการตรวจจับ
if TfliteModel.exists("enemy_model"):
    detector = TfliteModel("enemy_model")
    hits = detector.inference()
    if len(hits) > 0:
        click(hits[0])

ฟิลด์

ชื่อคำอธิบาย
modelString
Model reference in current macro (prefer template model name; legacy model id still accepted).
resize_modeString
วิธีปรับขนาดภาพ: LETTERBOX คงสัดส่วนและเติมขอบ; STRETCH ยืดเต็มขนาดเข้า; CROP_CENTER ตัดส่วนกลาง
ค่าเริ่มต้น: LETTERBOX
color_modeString
รูปแบบสีภาพที่โมเดลใช้: RGB, BGR หรือ GRAYSCALE
ค่าเริ่มต้น: RGB
norm_modeString
วิธีแปลงค่าพิกเซลให้โมเดล: ZERO_ONE, MINUS_ONE_ONE, IMAGENET หรือ CUSTOM
ค่าเริ่มต้น: ZERO_ONE
padding_colorInt
ค่าตั้งแต่ 0 ถึง 255 สำหรับเติมขอบที่ LETTERBOX เพิ่ม
ค่าเริ่มต้น: 114
ตัวอย่างการสร้างออบเจ็กต์
# นำเข้าโมเดล TFLite ที่รองรับ แล้วเลือกชนิดเอาต์พุตใน Template Manager
# สร้าง model handle ที่ผูกกับชื่อโมเดล TFLite หนึ่งรายการใน Template Manager
model = TfliteModel("enemy_model")

เมธอด

4 เมธอด

TfliteModel.exists

ตรวจสอบว่าไฟล์โมเดล TFLite ในเครื่อง (แก้ไขด้วยชื่อรุ่นหรือรหัสเดิม) พร้อมใช้งานในมาโครนี้หรือไม่

รูปแบบคำสั่ง

TfliteModel.exists(model)

พารามิเตอร์

ชื่อคำอธิบาย
modelString
Model reference to check.
จำเป็น · ระบุตามตำแหน่งหรือชื่อ
ไม่มีค่าเริ่มต้น

ค่าที่ส่งกลับ

Boolean — เป็นจริงหากไฟล์โมเดลในเครื่องพร้อมใช้งาน

ตัวอย่าง

# ตรวจสอบโมเดลที่นำเข้าใน Template Manager
if TfliteModel.exists("enemy_detector"):
    print("Model available")

TfliteModel.list

ส่งคืนการอ้างอิงโมเดลท้องถิ่นที่มีอยู่ในปัจจุบันสำหรับมาโคร (ต้องการชื่อที่แสดง)

รูปแบบคำสั่ง

TfliteModel.list()

ค่าที่ส่งกลับ

list[String] — รายการอ้างอิงรุ่น

ตัวอย่าง

# แสดงรายการโมเดลที่มาโครนี้ใช้งานได้
print(TfliteModel.list())

TfliteModel.exists

ตรวจสอบว่าไฟล์โมเดลในเครื่องของตัวตรวจจับนี้พร้อมใช้งานหรือไม่

รูปแบบคำสั่ง

model.exists()

ค่าที่ส่งกลับ

Boolean — เป็นจริงหากไฟล์โมเดลโลคัลสามารถใช้งานได้ทันที

ตัวอย่าง

# สร้างออบเจ็กต์หลังยืนยันว่ามีโมเดลที่นำเข้าแล้วเท่านั้น
if TfliteModel.exists("enemy_detector"):
    model = TfliteModel("enemy_detector")
    print(model.exists())

TfliteModel.inference

รันโมเดลบนภาพหน้าจอปัจจุบันหนึ่งภาพหรือ region ที่ระบุ แล้วคืน MatchList ของทุกคลาส รายการว่างหมายถึงไม่พบหรือยังไม่มีเฟรมหน้าจอ การขาดสิทธิ์จับภาพ การโหลดหรือรันล้มเหลวเป็นข้อผิดพลาด region ครอบตัดภาพก่อนประมวลผล ควรใช้ภาพคล้ายข้อมูลฝึกโมเดล การครอบตัดอาจลดความแม่นยำ ผลจำแนกไม่มีจุดหรือกรอบ ในโหมดแก้ไข การตั้งค่ากรอบดีบักการตรวจจับจะแสดงพื้นที่สแกนสีแดงและกรอบวัตถุที่ตรวจพบสีเขียว แม้ใช้ debug=False โมเดลจำแนกประเภทจะแสดงเฉพาะพื้นที่สแกน

รูปแบบคำสั่ง

model.inference(threshold=0.5, region=None, max_results=8, debug=False)

พารามิเตอร์

ชื่อคำอธิบาย
thresholdNumber
คะแนนความมั่นใจขั้นต่ำตั้งแต่ 0 ถึง 1 เมื่อรันโมเดล แอปใช้ค่าอย่างน้อย 0.01
ไม่บังคับ · ระบุตามตำแหน่งหรือชื่อ
ค่าเริ่มต้น: 0.5
regionRegion?
Optional screen region. Its image is cropped before preprocessing and inference, which can reduce accuracy if the model was not trained on similarly cropped images.
ไม่บังคับ · ระบุตามตำแหน่งหรือชื่อ
ค่าเริ่มต้น: None
max_resultsInt
จำนวนผลลัพธ์สูงสุดที่คืนค่า ตัดส่วนทศนิยมแล้วจำกัดค่าไว้ที่ 1..64
ไม่บังคับ · ระบุตามตำแหน่งหรือชื่อ
ค่าเริ่มต้น: 8
debugBoolean
True เปิดภาพตัวอย่างและผลโมเดลในโหมดแก้ไข การตรวจจับแสดงกรอบและคลาส การจำแนกแสดงภาพเข้าและคะแนนคลาส โหมดรันอย่างเดียวละเว้นตัวเลือกนี้ ค่า Match ที่คืนไม่มี debug_result
ไม่บังคับ · ระบุตามตำแหน่งหรือชื่อ
ค่าเริ่มต้น: False

ค่าที่ส่งกลับ

MatchList — รายการจับคู่การอนุมานในทุกคลาส

ตัวอย่าง

# รัน inference ของโมเดลดิบและตรวจดูเอาต์พุต debug ของ preprocess
detector = TfliteModel("enemy_model")
search = Region(100, 200, 300, 400)
hits = detector.inference(threshold=0.55, region=search, max_results=12, debug=True)
text(str(len(hits)))