Google is committed to advancing racial equity for Black communities. See how.
Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

Android'de ML Kit ile Yüzleri Algıla

Görüntülerdeki ve videolardaki yüzleri algılamak için ML Kit'i kullanabilirsiniz.

Sen başlamadan önce

  1. Henüz yapmadıysanız, Android projenize Firebase'i ekleyin .
  2. Proje düzeyindeki build.gradle dosyanızda, Google'ın Maven deposunu hem buildscript hem de tüm allprojects bölümlerine buildscript emin olun.
  3. ML Kit Android kütüphanelerinin bağımlılıklarını modülünüze (uygulama düzeyinde) Gradle dosyanıza ekleyin (genellikle app/build.gradle ):
    apply plugin: 'com.android.application'
    apply plugin: 'com.google.gms.google-services'
    
    dependencies {
      // ...
    
      implementation 'com.google.firebase:firebase-ml-vision:24.0.3'
      // If you want to detect face contours (landmark detection and classification
      // don't require this additional model):
      implementation 'com.google.firebase:firebase-ml-vision-face-model:20.0.1'
    }
    
  4. İsteğe bağlı ancak önerilen : Uygulamanızı Play Store'dan yükledikten sonra uygulamanızı ML modelini cihaza otomatik olarak indirecek şekilde yapılandırın.

    Bunu yapmak için, uygulamanızın AndroidManifest.xml dosyasına aşağıdaki bildirimi ekleyin:

    <application ...>
      ...
      <meta-data
          android:name="com.google.firebase.ml.vision.DEPENDENCIES"
          android:value="face" />
      <!-- To use multiple models: android:value="face,model2,model3" -->
    </application>
    
    Yükleme zamanı model indirmelerini etkinleştirmezseniz, dedektörü ilk kez çalıştırdığınızda model indirilir. İndirme işlemi tamamlanmadan önce yaptığınız istekler sonuç vermeyecektir.

Giriş resmi yönergeleri

ML Kit'in yüzleri doğru bir şekilde algılaması için, giriş görüntüleri yeterli piksel verisi ile temsil edilen yüzler içermelidir. Genel olarak, bir görüntüde tespit etmek istediğiniz her yüz en az 100x100 piksel olmalıdır. Yüzlerin konturlarını tespit etmek istiyorsanız, ML Kit daha yüksek çözünürlüklü giriş gerektirir: her yüz en az 200x200 piksel olmalıdır.

Gerçek zamanlı bir uygulamada yüzleri tespit ediyorsanız, giriş görüntülerinin toplam boyutlarını da dikkate almak isteyebilirsiniz. Daha küçük görüntüler daha hızlı işlenebilir, bu nedenle gecikmeyi azaltmak, daha düşük çözünürlüklerde görüntü yakalamak (yukarıdaki doğruluk gereksinimlerini aklınızda tutarak) ve konunun yüzünün mümkün olduğunca fazla görüntüyü kaplamasını sağlayın. Ayrıca, gerçek zamanlı performansı artırmaya yönelik ipuçlarına bakın.

Kötü görüntü odaklama hassasiyeti bozabilir. Kabul edilebilir sonuçlar almıyorsanız kullanıcıdan kullanıcıdan görüntüyü yeniden yakalamasını isteyin.

Bir yüzün kameraya göre yönlendirilmesi, ML Kit'in tespit ettiği yüz özelliklerini de etkileyebilir. Bkz. Yüz Algılama Kavramları .

1. Yüz detektörünü yapılandırın

Bir görüntüye yüz tanıma uygulamadan önce, yüz algılayıcının varsayılan ayarlarından herhangi birini değiştirmek isterseniz, bu ayarları bir FirebaseVisionFaceDetectorOptions nesnesiyle belirtin. Aşağıdaki ayarları değiştirebilirsiniz:

Ayarlar
Performans modu FAST (varsayılan) | ACCURATE

Yüzleri tespit ederken hız veya doğruluktan yararlanın.

Yer işaretlerini algılama NO_LANDMARKS (varsayılan) | ALL_LANDMARKS

Yüz "simge yapılarını" belirlemeye çalışıp çalışmadığı: gözler, kulaklar, burun, yanaklar, ağız vb.

Konturları algıla NO_CONTOURS (varsayılan) | ALL_CONTOURS

Yüz özelliklerinin konturlarını tespit edip etmeme. Konturlar görüntüdeki en belirgin yüz için algılanır.

Yüzleri sınıflandırın NO_CLASSIFICATIONS (varsayılan) | ALL_CLASSIFICATIONS

Yüzleri "gülümsemek" ve "gözler açık" gibi kategorilere ayırıp ayırmamak.

Minimum yüz boyutu float (varsayılan: 0.1f )

Algılanacak yüzlerin görüntüye göre minimum boyutu.

Yüz izlemeyi etkinleştir false (varsayılan) | true

Yüzlerin atanıp atanmayacağı, görüntülerdeki yüzleri izlemek için kullanılabilecek bir kimlikle karşı karşıyadır.

Kontur algılama etkinleştirildiğinde, yalnızca bir yüz algılandığından, yüz izleme yararlı sonuçlar vermez. Bu nedenle ve algılama hızını artırmak için hem kontur algılamayı hem de yüz izlemeyi etkinleştirmeyin.

Örneğin:

Java

// High-accuracy landmark detection and face classification
FirebaseVisionFaceDetectorOptions highAccuracyOpts =
        new FirebaseVisionFaceDetectorOptions.Builder()
                .setPerformanceMode(FirebaseVisionFaceDetectorOptions.ACCURATE)
                .setLandmarkMode(FirebaseVisionFaceDetectorOptions.ALL_LANDMARKS)
                .setClassificationMode(FirebaseVisionFaceDetectorOptions.ALL_CLASSIFICATIONS)
                .build();

// Real-time contour detection of multiple faces
FirebaseVisionFaceDetectorOptions realTimeOpts =
        new FirebaseVisionFaceDetectorOptions.Builder()
                .setContourMode(FirebaseVisionFaceDetectorOptions.ALL_CONTOURS)
                .build();

Kotlin + ktx

// High-accuracy landmark detection and face classification
val highAccuracyOpts = FirebaseVisionFaceDetectorOptions.Builder()
        .setPerformanceMode(FirebaseVisionFaceDetectorOptions.ACCURATE)
        .setLandmarkMode(FirebaseVisionFaceDetectorOptions.ALL_LANDMARKS)
        .setClassificationMode(FirebaseVisionFaceDetectorOptions.ALL_CLASSIFICATIONS)
        .build()

// Real-time contour detection of multiple faces
val realTimeOpts = FirebaseVisionFaceDetectorOptions.Builder()
        .setContourMode(FirebaseVisionFaceDetectorOptions.ALL_CONTOURS)
        .build()

2. Yüz detektörünü çalıştırın

Görüntüdeki yüzleri tespit etmek için, bir oluşturma FirebaseVisionImage nesnesi, bir birinden Bitmap , media.Image , ByteBuffer , bayt dizisi ya da bir cihazda bir dosya. Daha sonra, geçiş FirebaseVisionImage nesneyi FirebaseVisionFaceDetector sitesindeki detectInImage yöntemi.

Yüz tanıma için, boyutları en az 480x360 piksel olan bir resim kullanmalısınız. Yüzleri gerçek zamanlı olarak tanıyorsanız, çerçeveleri bu minimum çözünürlükte yakalamak gecikmeyi azaltmaya yardımcı olabilir.

  1. Görüntünüzden bir FirebaseVisionImage nesnesi oluşturun.

    • Bir oluşturmak için FirebaseVisionImage bir nesneyi media.Image gibi bir aygıtın bir kameradan görüntü yakalama olduğu gibi bir nesne, pas media.Image nesnesi ve görüntünün dönüşünü FirebaseVisionImage.fromMediaImage() .

      Eğer kullanırsanız CameraX kütüphane OnImageCapturedListener ve ImageAnalysis.Analyzer sadece ML Kit'in birine dönüşünü dönüştürmek gerekir böylece sınıflar, sizin için rotasyon değerini hesaplamak ROTATION_ çağırmadan önce sabitler FirebaseVisionImage.fromMediaImage() :

      Java

      private class YourAnalyzer implements ImageAnalysis.Analyzer {
      
          private int degreesToFirebaseRotation(int degrees) {
              switch (degrees) {
                  case 0:
                      return FirebaseVisionImageMetadata.ROTATION_0;
                  case 90:
                      return FirebaseVisionImageMetadata.ROTATION_90;
                  case 180:
                      return FirebaseVisionImageMetadata.ROTATION_180;
                  case 270:
                      return FirebaseVisionImageMetadata.ROTATION_270;
                  default:
                      throw new IllegalArgumentException(
                              "Rotation must be 0, 90, 180, or 270.");
              }
          }
      
          @Override
          public void analyze(ImageProxy imageProxy, int degrees) {
              if (imageProxy == null || imageProxy.getImage() == null) {
                  return;
              }
              Image mediaImage = imageProxy.getImage();
              int rotation = degreesToFirebaseRotation(degrees);
              FirebaseVisionImage image =
                      FirebaseVisionImage.fromMediaImage(mediaImage, rotation);
              // Pass image to an ML Kit Vision API
              // ...
          }
      }
      

      Kotlin + ktx

      private class YourImageAnalyzer : ImageAnalysis.Analyzer {
          private fun degreesToFirebaseRotation(degrees: Int): Int = when(degrees) {
              0 -> FirebaseVisionImageMetadata.ROTATION_0
              90 -> FirebaseVisionImageMetadata.ROTATION_90
              180 -> FirebaseVisionImageMetadata.ROTATION_180
              270 -> FirebaseVisionImageMetadata.ROTATION_270
              else -> throw Exception("Rotation must be 0, 90, 180, or 270.")
          }
      
          override fun analyze(imageProxy: ImageProxy?, degrees: Int) {
              val mediaImage = imageProxy?.image
              val imageRotation = degreesToFirebaseRotation(degrees)
              if (mediaImage != null) {
                  val image = FirebaseVisionImage.fromMediaImage(mediaImage, imageRotation)
                  // Pass image to an ML Kit Vision API
                  // ...
              }
          }
      }
      

      Size görüntünün döndürülmesini sağlayan bir kamera kitaplığı kullanmazsanız, görüntüyü aygıtın dönüşünden ve aygıttaki kamera sensörünün yönünden hesaplayabilirsiniz:

      Java

      private static final SparseIntArray ORIENTATIONS = new SparseIntArray();
      static {
          ORIENTATIONS.append(Surface.ROTATION_0, 90);
          ORIENTATIONS.append(Surface.ROTATION_90, 0);
          ORIENTATIONS.append(Surface.ROTATION_180, 270);
          ORIENTATIONS.append(Surface.ROTATION_270, 180);
      }
      
      /**
       * Get the angle by which an image must be rotated given the device's current
       * orientation.
       */
      @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
      private int getRotationCompensation(String cameraId, Activity activity, Context context)
              throws CameraAccessException {
          // Get the device's current rotation relative to its "native" orientation.
          // Then, from the ORIENTATIONS table, look up the angle the image must be
          // rotated to compensate for the device's rotation.
          int deviceRotation = activity.getWindowManager().getDefaultDisplay().getRotation();
          int rotationCompensation = ORIENTATIONS.get(deviceRotation);
      
          // On most devices, the sensor orientation is 90 degrees, but for some
          // devices it is 270 degrees. For devices with a sensor orientation of
          // 270, rotate the image an additional 180 ((270 + 270) % 360) degrees.
          CameraManager cameraManager = (CameraManager) context.getSystemService(CAMERA_SERVICE);
          int sensorOrientation = cameraManager
                  .getCameraCharacteristics(cameraId)
                  .get(CameraCharacteristics.SENSOR_ORIENTATION);
          rotationCompensation = (rotationCompensation + sensorOrientation + 270) % 360;
      
          // Return the corresponding FirebaseVisionImageMetadata rotation value.
          int result;
          switch (rotationCompensation) {
              case 0:
                  result = FirebaseVisionImageMetadata.ROTATION_0;
                  break;
              case 90:
                  result = FirebaseVisionImageMetadata.ROTATION_90;
                  break;
              case 180:
                  result = FirebaseVisionImageMetadata.ROTATION_180;
                  break;
              case 270:
                  result = FirebaseVisionImageMetadata.ROTATION_270;
                  break;
              default:
                  result = FirebaseVisionImageMetadata.ROTATION_0;
                  Log.e(TAG, "Bad rotation value: " + rotationCompensation);
          }
          return result;
      }

      Kotlin + ktx

      private val ORIENTATIONS = SparseIntArray()
      
      init {
          ORIENTATIONS.append(Surface.ROTATION_0, 90)
          ORIENTATIONS.append(Surface.ROTATION_90, 0)
          ORIENTATIONS.append(Surface.ROTATION_180, 270)
          ORIENTATIONS.append(Surface.ROTATION_270, 180)
      }
      /**
       * Get the angle by which an image must be rotated given the device's current
       * orientation.
       */
      @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
      @Throws(CameraAccessException::class)
      private fun getRotationCompensation(cameraId: String, activity: Activity, context: Context): Int {
          // Get the device's current rotation relative to its "native" orientation.
          // Then, from the ORIENTATIONS table, look up the angle the image must be
          // rotated to compensate for the device's rotation.
          val deviceRotation = activity.windowManager.defaultDisplay.rotation
          var rotationCompensation = ORIENTATIONS.get(deviceRotation)
      
          // On most devices, the sensor orientation is 90 degrees, but for some
          // devices it is 270 degrees. For devices with a sensor orientation of
          // 270, rotate the image an additional 180 ((270 + 270) % 360) degrees.
          val cameraManager = context.getSystemService(CAMERA_SERVICE) as CameraManager
          val sensorOrientation = cameraManager
                  .getCameraCharacteristics(cameraId)
                  .get(CameraCharacteristics.SENSOR_ORIENTATION)!!
          rotationCompensation = (rotationCompensation + sensorOrientation + 270) % 360
      
          // Return the corresponding FirebaseVisionImageMetadata rotation value.
          val result: Int
          when (rotationCompensation) {
              0 -> result = FirebaseVisionImageMetadata.ROTATION_0
              90 -> result = FirebaseVisionImageMetadata.ROTATION_90
              180 -> result = FirebaseVisionImageMetadata.ROTATION_180
              270 -> result = FirebaseVisionImageMetadata.ROTATION_270
              else -> {
                  result = FirebaseVisionImageMetadata.ROTATION_0
                  Log.e(TAG, "Bad rotation value: $rotationCompensation")
              }
          }
          return result
      }

      Ardından, media.Image nesnesini ve döndürme değerini media.Image FirebaseVisionImage.fromMediaImage() media.Image :

      Java

      FirebaseVisionImage image = FirebaseVisionImage.fromMediaImage(mediaImage, rotation);

      Kotlin + ktx

      val image = FirebaseVisionImage.fromMediaImage(mediaImage, rotation)
    • Bir dosya FirebaseVisionImage bir FirebaseVisionImage nesnesi oluşturmak için uygulama içeriğini ve dosya URI'sini FirebaseVisionImage.fromFilePath() . Bu, kullanıcıdan galeri uygulamalarından bir resim seçmesini istemek için bir ACTION_GET_CONTENT amacı kullandığınızda yararlıdır.

      Java

      FirebaseVisionImage image;
      try {
          image = FirebaseVisionImage.fromFilePath(context, uri);
      } catch (IOException e) {
          e.printStackTrace();
      }

      Kotlin + ktx

      val image: FirebaseVisionImage
      try {
          image = FirebaseVisionImage.fromFilePath(context, uri)
      } catch (e: IOException) {
          e.printStackTrace()
      }
    • Bir ByteBuffer veya bayt dizisinden bir FirebaseVisionImage nesnesi oluşturmak için, önce media.Image için yukarıda açıklandığı gibi görüntü döndürmeyi hesaplayın.

      Ardından, görüntünün yüksekliğini, genişliğini, renk kodlama biçimini ve dönüşünü içeren bir FirebaseVisionImageMetadata nesnesi oluşturun:

      Java

      FirebaseVisionImageMetadata metadata = new FirebaseVisionImageMetadata.Builder()
              .setWidth(480)   // 480x360 is typically sufficient for
              .setHeight(360)  // image recognition
              .setFormat(FirebaseVisionImageMetadata.IMAGE_FORMAT_NV21)
              .setRotation(rotation)
              .build();

      Kotlin + ktx

      val metadata = FirebaseVisionImageMetadata.Builder()
              .setWidth(480) // 480x360 is typically sufficient for
              .setHeight(360) // image recognition
              .setFormat(FirebaseVisionImageMetadata.IMAGE_FORMAT_NV21)
              .setRotation(rotation)
              .build()

      Bir FirebaseVisionImage nesnesi oluşturmak için arabelleği veya diziyi ve meta veri nesnesini kullanın:

      Java

      FirebaseVisionImage image = FirebaseVisionImage.fromByteBuffer(buffer, metadata);
      // Or: FirebaseVisionImage image = FirebaseVisionImage.fromByteArray(byteArray, metadata);

      Kotlin + ktx

      val image = FirebaseVisionImage.fromByteBuffer(buffer, metadata)
      // Or: val image = FirebaseVisionImage.fromByteArray(byteArray, metadata)
    • Bir Bitmap nesnesinden bir FirebaseVisionImage nesnesi oluşturmak için:

      Java

      FirebaseVisionImage image = FirebaseVisionImage.fromBitmap(bitmap);

      Kotlin + ktx

      val image = FirebaseVisionImage.fromBitmap(bitmap)
      Bitmap nesnesi tarafından temsil edilen görüntü dik olmalıdır ve ek döndürme gerekmez.
  2. FirebaseVisionFaceDetector örneğini alın:

    Java

    FirebaseVisionFaceDetector detector = FirebaseVision.getInstance()
            .getVisionFaceDetector(options);

    Kotlin + ktx

    val detector = FirebaseVision.getInstance()
            .getVisionFaceDetector(options)
  3. Son olarak, görüntüyü detectInImage yöntemine detectInImage :

    Java

    Task<List<FirebaseVisionFace>> result =
            detector.detectInImage(image)
                    .addOnSuccessListener(
                            new OnSuccessListener<List<FirebaseVisionFace>>() {
                                @Override
                                public void onSuccess(List<FirebaseVisionFace> faces) {
                                    // Task completed successfully
                                    // ...
                                }
                            })
                    .addOnFailureListener(
                            new OnFailureListener() {
                                @Override
                                public void onFailure(@NonNull Exception e) {
                                    // Task failed with an exception
                                    // ...
                                }
                            });

    Kotlin + ktx

    val result = detector.detectInImage(image)
            .addOnSuccessListener { faces ->
                // Task completed successfully
                // ...
            }
            .addOnFailureListener { e ->
                // Task failed with an exception
                // ...
            }

3. Algılanan yüzler hakkında bilgi alın

Yüz tanıma işlemi başarılı olursa, FirebaseVisionFace nesnelerinin bir listesi başarı dinleyicisine iletilir. Her FirebaseVisionFace nesnesi, görüntüde algılanan bir yüzü temsil eder. Her yüz için, sınırlayıcı koordinatlarını giriş görüntüsünde ve yüz dedektörünü bulmak için yapılandırdığınız diğer tüm bilgileri alabilirsiniz. Örneğin:

Java

for (FirebaseVisionFace face : faces) {
    Rect bounds = face.getBoundingBox();
    float rotY = face.getHeadEulerAngleY();  // Head is rotated to the right rotY degrees
    float rotZ = face.getHeadEulerAngleZ();  // Head is tilted sideways rotZ degrees

    // If landmark detection was enabled (mouth, ears, eyes, cheeks, and
    // nose available):
    FirebaseVisionFaceLandmark leftEar = face.getLandmark(FirebaseVisionFaceLandmark.LEFT_EAR);
    if (leftEar != null) {
        FirebaseVisionPoint leftEarPos = leftEar.getPosition();
    }

    // If contour detection was enabled:
    List<FirebaseVisionPoint> leftEyeContour =
            face.getContour(FirebaseVisionFaceContour.LEFT_EYE).getPoints();
    List<FirebaseVisionPoint> upperLipBottomContour =
            face.getContour(FirebaseVisionFaceContour.UPPER_LIP_BOTTOM).getPoints();

    // If classification was enabled:
    if (face.getSmilingProbability() != FirebaseVisionFace.UNCOMPUTED_PROBABILITY) {
        float smileProb = face.getSmilingProbability();
    }
    if (face.getRightEyeOpenProbability() != FirebaseVisionFace.UNCOMPUTED_PROBABILITY) {
        float rightEyeOpenProb = face.getRightEyeOpenProbability();
    }

    // If face tracking was enabled:
    if (face.getTrackingId() != FirebaseVisionFace.INVALID_ID) {
        int id = face.getTrackingId();
    }
}

Kotlin + ktx

for (face in faces) {
    val bounds = face.boundingBox
    val rotY = face.headEulerAngleY // Head is rotated to the right rotY degrees
    val rotZ = face.headEulerAngleZ // Head is tilted sideways rotZ degrees

    // If landmark detection was enabled (mouth, ears, eyes, cheeks, and
    // nose available):
    val leftEar = face.getLandmark(FirebaseVisionFaceLandmark.LEFT_EAR)
    leftEar?.let {
        val leftEarPos = leftEar.position
    }

    // If contour detection was enabled:
    val leftEyeContour = face.getContour(FirebaseVisionFaceContour.LEFT_EYE).points
    val upperLipBottomContour = face.getContour(FirebaseVisionFaceContour.UPPER_LIP_BOTTOM).points

    // If classification was enabled:
    if (face.smilingProbability != FirebaseVisionFace.UNCOMPUTED_PROBABILITY) {
        val smileProb = face.smilingProbability
    }
    if (face.rightEyeOpenProbability != FirebaseVisionFace.UNCOMPUTED_PROBABILITY) {
        val rightEyeOpenProb = face.rightEyeOpenProbability
    }

    // If face tracking was enabled:
    if (face.trackingId != FirebaseVisionFace.INVALID_ID) {
        val id = face.trackingId
    }
}

Yüz konturlarına örnek

Yüz kontur algılamasını etkinleştirdiğinizde, algılanan her yüz özelliği için bir puan listesi alırsınız. Bu noktalar özelliğin şeklini temsil eder. Konturların nasıl temsil edildiğiyle ilgili ayrıntılar için Yüz Algılama Kavramlarına Genel Bakış konusuna bakın.

Aşağıdaki resim, bu noktaların bir yüzle nasıl eşleştiğini gösterir (büyütmek için resme tıklayın):

Gerçek zamanlı yüz algılama

Yüz algılamayı gerçek zamanlı bir uygulamada kullanmak istiyorsanız, en iyi kareleri elde etmek için aşağıdaki yönergeleri izleyin:

  • Yüz detektörünü yüz kontur algılama veya sınıflandırma ve yer işareti algılama kullanacak şekilde yapılandırın , ancak her ikisini birden kullanmayın:

    Kontur algılama
    Landmark algılama
    sınıflandırma
    Landmark tespiti ve sınıflandırması
    Kontur algılama ve yer işareti algılama
    Kontur algılama ve sınıflandırma
    Kontur algılama, yer işareti algılama ve sınıflandırma

  • FAST modu etkinleştir (varsayılan olarak etkindir).

  • Daha düşük çözünürlükte görüntü yakalamayı düşünün. Ancak, bu API'nın resim boyutu gereksinimlerini de unutmayın.

  • Gaz dedektörü çağırır. Dedektör çalışırken yeni bir video karesi çıkarsa, kareyi bırakın.
  • Giriş görüntüsünde grafikleri bindirmek için dedektör çıkışını kullanıyorsanız, önce ML Kit'ten sonucu alın, ardından görüntüyü ve bindirmeyi tek bir adımda oluşturun. Böylece, her giriş çerçevesi için ekran yüzeyine yalnızca bir kez render işlemi yaparsınız.
  • Camera2 API'sini kullanıyorsanız, ImageFormat.YUV_420_888 biçiminde görüntüler yakalayın.

    Eski Kamera API'sını kullanıyorsanız, ImageFormat.NV21 biçimindeki görüntüleri yakalayın.