이 페이지는 Cloud Translation API를 통해 번역되었습니다.

Android에서 AutoML 학습 모델로 이미지에 레이블 지정

AutoML Vision Edge를 사용하여 자체 모델을 학습 시킨 후 앱에서 이를 사용하여 이미지에 레이블을 지정할 수 있습니다.

AutoML Vision Edge에서 학습된 모델을 통합하는 방법에는 두 가지가 있습니다. 앱의 자산 폴더에 모델을 넣어 번들로 묶거나 Firebase에서 동적으로 다운로드할 수 있습니다.

모델 번들링 옵션
앱에 번들	모델은 앱 APK의 일부입니다. Android 기기가 오프라인일 때도 모델을 즉시 사용할 수 있습니다. Firebase 프로젝트가 필요하지 않습니다.
Firebase로 호스팅	Firebase Machine Learning 에 업로드하여 모델 호스팅 APK 크기 줄이기 모델은 요청 시 다운로드됩니다. 앱을 다시 게시하지 않고 모델 업데이트 푸시 Firebase 원격 구성 으로 손쉬운 A/B 테스트 Firebase 프로젝트가 필요합니다.

시작하기 전에

일반적으로 app/build.gradle 인 모듈의 앱 수준 gradle 파일에 ML Kit Android 라이브러리에 대한 종속성을 추가합니다.

앱과 함께 모델을 묶는 경우:

dependencies {
  // ...
  // Image labeling feature with bundled automl model
  implementation 'com.google.mlkit:image-labeling-custom:16.3.1'
}

Firebase에서 모델을 동적으로 다운로드하려면 linkFirebase 종속 항목을 추가하세요.

dependencies {
  // ...
  // Image labeling feature with automl model downloaded
  // from firebase
  implementation 'com.google.mlkit:image-labeling-custom:16.3.1'
  implementation 'com.google.mlkit:linkfirebase:16.1.0'
}

모델을 다운로드 하려면 Android 프로젝트에 Firebase를 아직 추가 하지 않았는지 확인하십시오. 모델을 번들로 묶을 때는 필요하지 않습니다.

1. 모델 불러오기

로컬 모델 소스 구성

모델을 앱과 번들로 묶으려면:

Firebase 콘솔에서 다운로드한 zip 아카이브에서 모델과 해당 메타데이터를 추출합니다. 파일을 수정(파일 이름 포함)하지 않고 다운로드한 그대로 사용하는 것이 좋습니다.
앱 패키지에 모델과 해당 메타데이터 파일을 포함합니다.
1. 프로젝트에 자산 폴더가 없으면 app/ 폴더를 마우스 오른쪽 버튼으로 클릭한 다음 New > Folder > Assets Folder 를 클릭하여 자산 폴더를 만드십시오.
2. 자산 폴더 아래에 모델 파일을 포함할 하위 폴더를 만듭니다.
3. model.tflite , dict.txt 및 manifest.json 파일을 하위 폴더에 복사합니다(세 파일 모두 동일한 폴더에 있어야 함).
앱을 빌드할 때 Gradle이 모델 파일을 압축하지 않도록 앱의 build.gradle 파일에 다음을 추가합니다.
```
android {
    // ...
    aaptOptions {
        noCompress "tflite"
    }
}
```
모델 파일은 앱 패키지에 포함되며 ML Kit에서 원시 자산으로 사용할 수 있습니다.
참고: Android Gradle 플러그인 버전 4.1부터 .tflite가 기본적으로 noCompress 목록에 추가되며 위의 항목은 더 이상 필요하지 않습니다.

모델 매니페스트 파일의 경로를 지정하여 LocalModel 개체를 만듭니다.

자바

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("manifest.json")
        // or .setAbsoluteFilePath(absolute file path to manifest file)
        .build();

코틀린

val localModel = LocalModel.Builder()
    .setAssetManifestFilePath("manifest.json")
    // or .setAbsoluteManifestFilePath(absolute file path to manifest file)
    .build()

Firebase 호스팅 모델 소스 구성

원격 호스팅 모델을 사용하려면 게시할 때 모델에 할당한 이름을 지정하여 CustomRemoteModel 개체를 만듭니다.

자바

// Specify the name you assigned in the Firebase console.
FirebaseModelSource firebaseModelSource =
    new FirebaseModelSource.Builder("your_model_name").build();
CustomRemoteModel remoteModel =
    new CustomRemoteModel.Builder(firebaseModelSource).build();

코틀린

// Specify the name you assigned in the Firebase console.
val firebaseModelSource = FirebaseModelSource.Builder("your_model_name")
    .build()
val remoteModel = CustomRemoteModel.Builder(firebaseModelSource).build()

그런 다음 다운로드를 허용할 조건을 지정하여 모델 다운로드 작업을 시작합니다. 모델이 기기에 없거나 최신 버전의 모델을 사용할 수 있는 경우 작업은 Firebase에서 모델을 비동기식으로 다운로드합니다.

자바

DownloadConditions downloadConditions = new DownloadConditions.Builder()
        .requireWifi()
        .build();
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(@NonNull Task<Void> task) {
                // Success.
            }
        });

코틀린

val downloadConditions = DownloadConditions.Builder()
    .requireWifi()
    .build()
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
    .addOnSuccessListener {
        // Success.
    }

많은 앱이 초기화 코드에서 다운로드 작업을 시작하지만 모델을 사용하기 전에 언제든지 시작할 수 있습니다.

모델에서 이미지 라벨러 만들기

모델 소스를 구성한 후 그 중 하나에서 ImageLabeler 개체를 만듭니다.

로컬로 번들된 모델만 있는 경우 CustomImageLabelerOptions 개체에서 레이블 지정자를 만들고 필요한 신뢰도 점수 임계값을 구성합니다( 모델 평가 참조).

자바

CustomImageLabelerOptions customImageLabelerOptions = new CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                   // to determine an appropriate value.
    .build();
ImageLabeler labeler = ImageLabeling.getClient(customImageLabelerOptions);

코틀린

val customImageLabelerOptions = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                   // to determine an appropriate value.
    .build()
val labeler = ImageLabeling.getClient(customImageLabelerOptions)

원격 호스팅 모델이 있는 경우 실행하기 전에 다운로드되었는지 확인해야 합니다. 모델 관리자의 isModelDownloaded() 메서드를 사용하여 모델 다운로드 작업의 상태를 확인할 수 있습니다.

라벨러를 실행하기 전에 이를 확인하기만 하면 되지만 원격 호스팅 모델과 로컬로 번들된 모델이 모두 있는 경우 이미지 라벨러를 인스턴스화할 때 이 확인을 수행하는 것이 좋습니다. 다음과 같은 경우 원격 모델에서 라벨러를 생성합니다. 다운로드되었으며 그렇지 않은 경우 로컬 모델에서 다운로드되었습니다.

자바

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener<Boolean>() {
            @Override
            public void onSuccess(Boolean isDownloaded) {
                CustomImageLabelerOptions.Builder optionsBuilder;
                if (isDownloaded) {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(remoteModel);
                } else {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(localModel);
                }
                CustomImageLabelerOptions options = optionsBuilder
                        .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                                       // to determine an appropriate threshold.
                        .build();

                ImageLabeler labeler = ImageLabeling.getClient(options);
            }
        });

코틀린

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener { isDownloaded ->
        val optionsBuilder =
            if (isDownloaded) {
                CustomImageLabelerOptions.Builder(remoteModel)
            } else {
                CustomImageLabelerOptions.Builder(localModel)
            }
        // Evaluate your model in the Cloud console to determine an appropriate threshold.
        val options = optionsBuilder.setConfidenceThreshold(0.0f).build()
        val labeler = ImageLabeling.getClient(options)
}

원격으로 호스팅된 모델만 있는 경우 모델이 다운로드되었음을 확인할 때까지 모델 관련 기능을 비활성화해야 합니다(예: 회색으로 표시하거나 UI 일부 숨기기). 모델 관리자의 download() 메서드에 리스너를 연결하면 됩니다.

자바

RemoteModelManager.getInstance().download(remoteModel, conditions)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(Void v) {
              // Download complete. Depending on your app, you could enable
              // the ML feature, or switch from the local model to the remote
              // model, etc.
            }
        });

코틀린

RemoteModelManager.getInstance().download(remoteModel, conditions)
    .addOnSuccessListener {
        // Download complete. Depending on your app, you could enable the ML
        // feature, or switch from the local model to the remote model, etc.
    }

2. 입력 이미지 준비

그런 다음 라벨을 지정하려는 각 이미지에 대해 이미지에서 InputImage 객체를 만듭니다. 이미지 라벨러는 Bitmap 을 사용하거나 camera2 API를 사용하는 경우 YUV_420_888 media.Image 를 사용할 때 가장 빠르게 실행되며 가능한 경우 권장됩니다.

서로 다른 소스에서 InputImage 를 생성할 수 있으며 각 소스는 아래에 설명되어 있습니다.

`media.Image` 사용

기기의 카메라에서 이미지를 캡처할 때와 같이 media.Image 객체에서 InputImage 객체를 만들려면 media.Image 객체와 이미지의 회전을 InputImage.fromMediaImage() 에 전달합니다.

CameraX 라이브러리를 사용하는 경우 OnImageCapturedListener 및 ImageAnalysis.Analyzer 클래스가 자동으로 회전 값을 계산합니다.

Kotlin+KTX

private class YourImageAnalyzer : ImageAnalysis.Analyzer {
    override fun analyze(imageProxy: ImageProxy?) {
        val mediaImage = imageProxy?.image
        if (mediaImage != null) {
            val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
            // Pass image to an ML Kit Vision API
            // ...
        }
    }
}

Java

private class YourAnalyzer implements ImageAnalysis.Analyzer {

    @Override
    public void analyze(ImageProxy imageProxy) {
        if (imageProxy == null || imageProxy.getImage() == null) {
            return;
        }
        Image mediaImage = imageProxy.getImage();
        InputImage image =
                InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees);
        // Pass image to an ML Kit Vision API
        // ...
    }
}

이미지의 회전 각도를 제공하는 카메라 라이브러리를 사용하지 않는 경우 장치의 회전 각도와 장치의 카메라 센서 방향에서 계산할 수 있습니다.

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
}VisionImage.kt

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;
}VisionImage.java

그런 다음 media.Image 객체와 회전 각도 값을 InputImage.fromMediaImage() 에 전달합니다.

Kotlin+KTX

val image = InputImage.fromMediaImage(mediaImage, rotation)

Java

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

파일 URI 사용

파일 URI에서 InputImage 객체를 만들려면 앱 컨텍스트와 파일 URI를 InputImage.fromFilePath() 에 전달합니다. 이는 ACTION_GET_CONTENT 텐트를 사용하여 사용자에게 갤러리 앱에서 이미지를 선택하라는 메시지를 표시할 때 유용합니다.

Kotlin+KTX

val image: InputImage
try {
    image = InputImage.fromFilePath(context, uri)
} catch (e: IOException) {
    e.printStackTrace()
}

Java

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

`ByteBuffer` 또는 `ByteArray` 사용

ByteBuffer 또는 ByteArray 에서 InputImage 객체를 만들려면 먼저 media.Image 입력에 대해 이전에 설명한 대로 이미지 회전 정도를 계산합니다. 그런 다음 이미지의 높이, 너비, 색상 인코딩 형식 및 회전 각도와 함께 버퍼 또는 배열을 사용하여 InputImage 객체를 만듭니다.

Kotlin+KTX

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)

Java

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);

`Bitmap` 사용

Bitmap 객체에서 InputImage 객체를 만들려면 다음과 같이 선언합니다.

Kotlin+KTX

val image = InputImage.fromBitmap(bitmap, 0)

Java

InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);

이미지는 회전 각도와 함께 Bitmap 객체로 표현됩니다.

3. 이미지 라벨러 실행

이미지의 개체에 레이블을 지정하려면 ImageLabeler 의 process() 메서드에 image 개체를 전달합니다.

자바

labeler.process(image)
        .addOnSuccessListener(new OnSuccessListener<List<ImageLabel>>() {
            @Override
            public void onSuccess(List<ImageLabel> labels) {
                // Task completed successfully
                // ...
            }
        })
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(@NonNull Exception e) {
                // Task failed with an exception
                // ...
            }
        });

코틀린

labeler.process(image)
        .addOnSuccessListener { labels ->
            // Task completed successfully
            // ...
        }
        .addOnFailureListener { e ->
            // Task failed with an exception
            // ...
        }

4. 레이블이 지정된 개체에 대한 정보 얻기

이미지 레이블 지정 작업이 성공하면 ImageLabel 개체 목록이 성공 수신기에 전달됩니다. 각 ImageLabel 개체는 이미지에서 레이블이 지정된 항목을 나타냅니다. 각 레이블의 텍스트 설명, 일치의 신뢰도 점수 및 일치 인덱스를 얻을 수 있습니다. 예를 들어:

자바

for (ImageLabel label : labels) {
    String text = label.getText();
    float confidence = label.getConfidence();
    int index = label.getIndex();
}

코틀린

for (label in labels) {
    val text = label.text
    val confidence = label.confidence
    val index = label.index
}

실시간 성능 향상을 위한 팁

실시간 애플리케이션에서 이미지에 레이블을 지정하려면 다음 지침을 따라 최상의 프레임 속도를 얻으십시오.

이미지 라벨러에 대한 스로틀 호출입니다. 이미지 라벨러가 실행되는 동안 새 비디오 프레임을 사용할 수 있게 되면 프레임을 삭제합니다. 예제는 빠른 시작 샘플 앱의 VisionProcessorBase 클래스를 참조하세요.
이미지 라벨러의 출력을 사용하여 입력 이미지에 그래픽을 오버레이하는 경우 먼저 결과를 얻은 다음 이미지를 렌더링하고 단일 단계에서 오버레이합니다. 이렇게 하면 각 입력 프레임에 대해 한 번만 디스플레이 표면에 렌더링됩니다. 예제는 빠른 시작 샘플 앱의 CameraSourcePreview 및 GraphicOverlay 클래스를 참조하세요.
Camera2 API를 사용하는 경우 ImageFormat.YUV_420_888 형식으로 이미지를 캡처합니다.
이전 Camera API를 사용하는 경우 ImageFormat.NV21 형식으로 이미지를 캡처합니다.

AutoML Vision Edge를 사용하여 자체 모델을 학습 시킨 후 앱에서 이를 사용하여 이미지에 레이블을 지정할 수 있습니다.

모델 번들링 옵션
앱에 번들	모델은 앱 APK의 일부입니다. Android 기기가 오프라인일 때도 모델을 즉시 사용할 수 있습니다. Firebase 프로젝트가 필요하지 않습니다.
Firebase로 호스팅	Firebase Machine Learning 에 업로드하여 모델 호스팅 APK 크기 줄이기 모델은 요청 시 다운로드됩니다. 앱을 다시 게시하지 않고 모델 업데이트 푸시 Firebase 원격 구성 으로 손쉬운 A/B 테스트 Firebase 프로젝트가 필요합니다.

시작하기 전에

일반적으로 app/build.gradle 인 모듈의 앱 수준 gradle 파일에 ML Kit Android 라이브러리에 대한 종속성을 추가합니다.

앱과 함께 모델을 묶는 경우:

dependencies {
  // ...
  // Image labeling feature with bundled automl model
  implementation 'com.google.mlkit:image-labeling-custom:16.3.1'
}

Firebase에서 모델을 동적으로 다운로드하려면 linkFirebase 종속 항목을 추가하세요.

dependencies {
  // ...
  // Image labeling feature with automl model downloaded
  // from firebase
  implementation 'com.google.mlkit:image-labeling-custom:16.3.1'
  implementation 'com.google.mlkit:linkfirebase:16.1.0'
}

모델을 다운로드 하려면 Android 프로젝트에 Firebase를 아직 추가 하지 않았는지 확인하십시오. 모델을 번들로 묶을 때는 필요하지 않습니다.

1. 모델 불러오기

로컬 모델 소스 구성

모델을 앱과 번들로 묶으려면:

Firebase 콘솔에서 다운로드한 zip 아카이브에서 모델과 해당 메타데이터를 추출합니다. 파일을 수정(파일 이름 포함)하지 않고 다운로드한 그대로 사용하는 것이 좋습니다.
앱 패키지에 모델과 해당 메타데이터 파일을 포함합니다.
1. 프로젝트에 자산 폴더가 없으면 app/ 폴더를 마우스 오른쪽 버튼으로 클릭한 다음 New > Folder > Assets Folder 를 클릭하여 자산 폴더를 만드십시오.
2. 자산 폴더 아래에 모델 파일을 포함할 하위 폴더를 만듭니다.
3. model.tflite , dict.txt 및 manifest.json 파일을 하위 폴더에 복사합니다(세 파일 모두 동일한 폴더에 있어야 함).
앱을 빌드할 때 Gradle이 모델 파일을 압축하지 않도록 앱의 build.gradle 파일에 다음을 추가합니다.
```
android {
    // ...
    aaptOptions {
        noCompress "tflite"
    }
}
```
모델 파일은 앱 패키지에 포함되며 ML Kit에서 원시 자산으로 사용할 수 있습니다.
참고: Android Gradle 플러그인 버전 4.1부터 .tflite가 기본적으로 noCompress 목록에 추가되며 위의 항목은 더 이상 필요하지 않습니다.

모델 매니페스트 파일의 경로를 지정하여 LocalModel 개체를 만듭니다.

자바

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("manifest.json")
        // or .setAbsoluteFilePath(absolute file path to manifest file)
        .build();

코틀린

val localModel = LocalModel.Builder()
    .setAssetManifestFilePath("manifest.json")
    // or .setAbsoluteManifestFilePath(absolute file path to manifest file)
    .build()

Firebase 호스팅 모델 소스 구성

원격 호스팅 모델을 사용하려면 게시할 때 모델에 할당한 이름을 지정하여 CustomRemoteModel 개체를 만듭니다.

자바

// Specify the name you assigned in the Firebase console.
FirebaseModelSource firebaseModelSource =
    new FirebaseModelSource.Builder("your_model_name").build();
CustomRemoteModel remoteModel =
    new CustomRemoteModel.Builder(firebaseModelSource).build();

코틀린

// Specify the name you assigned in the Firebase console.
val firebaseModelSource = FirebaseModelSource.Builder("your_model_name")
    .build()
val remoteModel = CustomRemoteModel.Builder(firebaseModelSource).build()

자바

DownloadConditions downloadConditions = new DownloadConditions.Builder()
        .requireWifi()
        .build();
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(@NonNull Task<Void> task) {
                // Success.
            }
        });

코틀린

val downloadConditions = DownloadConditions.Builder()
    .requireWifi()
    .build()
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
    .addOnSuccessListener {
        // Success.
    }

많은 앱이 초기화 코드에서 다운로드 작업을 시작하지만 모델을 사용하기 전에 언제든지 시작할 수 있습니다.

모델에서 이미지 라벨러 만들기

모델 소스를 구성한 후 그 중 하나에서 ImageLabeler 개체를 만듭니다.

로컬로 번들된 모델만 있는 경우 CustomImageLabelerOptions 개체에서 레이블 지정자를 만들고 필요한 신뢰도 점수 임계값을 구성합니다( 모델 평가 참조).

자바

CustomImageLabelerOptions customImageLabelerOptions = new CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                   // to determine an appropriate value.
    .build();
ImageLabeler labeler = ImageLabeling.getClient(customImageLabelerOptions);

코틀린

val customImageLabelerOptions = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                   // to determine an appropriate value.
    .build()
val labeler = ImageLabeling.getClient(customImageLabelerOptions)

자바

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener<Boolean>() {
            @Override
            public void onSuccess(Boolean isDownloaded) {
                CustomImageLabelerOptions.Builder optionsBuilder;
                if (isDownloaded) {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(remoteModel);
                } else {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(localModel);
                }
                CustomImageLabelerOptions options = optionsBuilder
                        .setConfidenceThreshold(0.0f)  // Evaluate your model in the Cloud console
                                                       // to determine an appropriate threshold.
                        .build();

                ImageLabeler labeler = ImageLabeling.getClient(options);
            }
        });

코틀린

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener { isDownloaded ->
        val optionsBuilder =
            if (isDownloaded) {
                CustomImageLabelerOptions.Builder(remoteModel)
            } else {
                CustomImageLabelerOptions.Builder(localModel)
            }
        // Evaluate your model in the Cloud console to determine an appropriate threshold.
        val options = optionsBuilder.setConfidenceThreshold(0.0f).build()
        val labeler = ImageLabeling.getClient(options)
}

자바

RemoteModelManager.getInstance().download(remoteModel, conditions)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(Void v) {
              // Download complete. Depending on your app, you could enable
              // the ML feature, or switch from the local model to the remote
              // model, etc.
            }
        });

코틀린

RemoteModelManager.getInstance().download(remoteModel, conditions)
    .addOnSuccessListener {
        // Download complete. Depending on your app, you could enable the ML
        // feature, or switch from the local model to the remote model, etc.
    }

2. 입력 이미지 준비

서로 다른 소스에서 InputImage 를 생성할 수 있으며 각 소스는 아래에 설명되어 있습니다.

`media.Image` 사용

CameraX 라이브러리를 사용하는 경우 OnImageCapturedListener 및 ImageAnalysis.Analyzer 클래스가 자동으로 회전 값을 계산합니다.

Kotlin+KTX

private class YourImageAnalyzer : ImageAnalysis.Analyzer {
    override fun analyze(imageProxy: ImageProxy?) {
        val mediaImage = imageProxy?.image
        if (mediaImage != null) {
            val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
            // Pass image to an ML Kit Vision API
            // ...
        }
    }
}

Java

private class YourAnalyzer implements ImageAnalysis.Analyzer {

    @Override
    public void analyze(ImageProxy imageProxy) {
        if (imageProxy == null || imageProxy.getImage() == null) {
            return;
        }
        Image mediaImage = imageProxy.getImage();
        InputImage image =
                InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees);
        // Pass image to an ML Kit Vision API
        // ...
    }
}

이미지의 회전 각도를 제공하는 카메라 라이브러리를 사용하지 않는 경우 장치의 회전 각도와 장치의 카메라 센서 방향에서 계산할 수 있습니다.

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
}VisionImage.kt

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;
}VisionImage.java

그런 다음 media.Image 객체와 회전 각도 값을 InputImage.fromMediaImage() 에 전달합니다.

Kotlin+KTX

val image = InputImage.fromMediaImage(mediaImage, rotation)

Java

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

파일 URI 사용

Kotlin+KTX

val image: InputImage
try {
    image = InputImage.fromFilePath(context, uri)
} catch (e: IOException) {
    e.printStackTrace()
}

Java

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

`ByteBuffer` 또는 `ByteArray` 사용

Kotlin+KTX

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)

Java

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);

`Bitmap` 사용

Bitmap 객체에서 InputImage 객체를 만들려면 다음과 같이 선언합니다.

Kotlin+KTX

val image = InputImage.fromBitmap(bitmap, 0)

Java

InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);

이미지는 회전 각도와 함께 Bitmap 객체로 표현됩니다.

3. 이미지 라벨러 실행

이미지의 개체에 레이블을 지정하려면 ImageLabeler 의 process() 메서드에 image 개체를 전달합니다.

자바

labeler.process(image)
        .addOnSuccessListener(new OnSuccessListener<List<ImageLabel>>() {
            @Override
            public void onSuccess(List<ImageLabel> labels) {
                // Task completed successfully
                // ...
            }
        })
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(@NonNull Exception e) {
                // Task failed with an exception
                // ...
            }
        });

코틀린

labeler.process(image)
        .addOnSuccessListener { labels ->
            // Task completed successfully
            // ...
        }
        .addOnFailureListener { e ->
            // Task failed with an exception
            // ...
        }

4. 레이블이 지정된 개체에 대한 정보 얻기

자바

for (ImageLabel label : labels) {
    String text = label.getText();
    float confidence = label.getConfidence();
    int index = label.getIndex();
}

코틀린

for (label in labels) {
    val text = label.text
    val confidence = label.confidence
    val index = label.index
}

실시간 성능 향상을 위한 팁

실시간 애플리케이션에서 이미지에 레이블을 지정하려면 다음 지침을 따라 최상의 프레임 속도를 얻으십시오.

이미지 라벨러에 대한 스로틀 호출입니다. 이미지 라벨러가 실행되는 동안 새 비디오 프레임을 사용할 수 있게 되면 프레임을 삭제합니다. 예제는 빠른 시작 샘플 앱의 VisionProcessorBase 클래스를 참조하세요.
이미지 라벨러의 출력을 사용하여 입력 이미지에 그래픽을 오버레이하는 경우 먼저 결과를 얻은 다음 이미지를 렌더링하고 단일 단계에서 오버레이합니다. 이렇게 하면 각 입력 프레임에 대해 한 번만 디스플레이 표면에 렌더링됩니다. 예제는 빠른 시작 샘플 앱의 CameraSourcePreview 및 GraphicOverlay 클래스를 참조하세요.
Camera2 API를 사용하는 경우 ImageFormat.YUV_420_888 형식으로 이미지를 캡처합니다.
이전 Camera API를 사용하는 경우 ImageFormat.NV21 형식으로 이미지를 캡처합니다.

Android에서 AutoML 학습 모델로 이미지에 레이블 지정

시작하기 전에

1. 모델 불러오기

로컬 모델 소스 구성

자바

코틀린

Firebase 호스팅 모델 소스 구성

자바

코틀린

자바

코틀린

모델에서 이미지 라벨러 만들기

자바

코틀린

자바

코틀린

자바

코틀린

2. 입력 이미지 준비

media.Image 사용

Kotlin+KTX

Java

Kotlin+KTX

Java

Kotlin+KTX

Java

파일 URI 사용

Kotlin+KTX

Java

ByteBuffer 또는 ByteArray 사용

Kotlin+KTX

Java

Bitmap 사용

Kotlin+KTX

Java

3. 이미지 라벨러 실행

자바

코틀린

4. 레이블이 지정된 개체에 대한 정보 얻기

자바

코틀린

실시간 성능 향상을 위한 팁

시작하기 전에

1. 모델 불러오기

로컬 모델 소스 구성

자바

코틀린

Firebase 호스팅 모델 소스 구성

자바

코틀린

자바

코틀린

모델에서 이미지 라벨러 만들기

자바

코틀린

자바

코틀린

자바

코틀린

2. 입력 이미지 준비

media.Image 사용

Kotlin+KTX

Java

Kotlin+KTX

Java

Kotlin+KTX

Java

파일 URI 사용

Kotlin+KTX

Java

ByteBuffer 또는 ByteArray 사용

Kotlin+KTX

Java

Bitmap 사용

Kotlin+KTX

Java

3. 이미지 라벨러 실행

자바

코틀린

4. 레이블이 지정된 개체에 대한 정보 얻기

`media.Image` 사용

`ByteBuffer` 또는 `ByteArray` 사용

`Bitmap` 사용

`media.Image` 사용

`ByteBuffer` 또는 `ByteArray` 사용

`Bitmap` 사용