AutoML Vision Edge'den eğitilen modelleri entegre etmenin iki yolu vardır: Modeli, uygulamanızın varlık klasörünün içine yerleştirerek paketleyebilir veya Firebase'den dinamik olarak indirebilirsiniz.
Model gruplama seçenekleri | |
---|---|
Uygulamanıza dahil |
|
Firebase ile barındırılıyor |
|
Sen başlamadan önce
ML Kit Android kitaplıklarının bağımlılıkları, modülünüzün genellikle
app/build.gradle
olan uygulama düzeyindeki gradle dosyasınaapp/build.gradle
:Uygulamanızla bir modeli paketlemek için:
dependencies { // ... // Image labeling feature with bundled automl model implementation 'com.google.mlkit:image-labeling-automl:16.0.0' }
linkFirebase
dinamik olarak bir model indirmek içinlinkFirebase
bağımlılığını ekleyin:dependencies { // ... // Image labeling feature with automl model downloaded // from firebase implementation 'com.google.mlkit:image-labeling-automl:16.0.0' implementation 'com.google.mlkit:linkfirebase:16.0.0' }
Bir model indirmek istiyorsanız, henüz yapmadıysanız, Android projenize Firebase eklediğinizden emin olun. Modeli paketlediğinizde bu gerekli değildir.
1. Modeli yükleyin
Yerel bir model kaynağı yapılandırın
Modeli uygulamanızla paketlemek için:
Modeli ve meta verilerini Firebase konsolundan indirdiğiniz zip arşivinden çıkarın. Dosyaları indirirken herhangi bir değişiklik yapmadan (dosya adları dahil) kullanmanızı öneririz.
Modelinizi ve meta veri dosyalarını uygulama paketinize ekleyin:
- Projenizde varlıklar klasörünüz yoksa,
app/
klasöre sağ tıklayarak ve ardından Yeni> Klasör> Varlıklar Klasörü'ne tıklayarak bir tane oluşturun. - Model dosyalarını içerecek varlıklar klasörünün altında bir alt klasör oluşturun.
-
model.tflite
,dict.txt
vemanifest.json
dosyalarını alt klasöre kopyalayın (üç dosyanın tümü aynı klasörde olmalıdır).
- Projenizde varlıklar klasörünüz yoksa,
build.gradle
uygulamayı oluştururken model dosyasını sıkıştırmamasını sağlamak için uygulamanızınbuild.gradle
dosyasına aşağıdakileri ekleyin:android { // ... aaptOptions { noCompress "tflite" } }
Model dosyası, uygulama paketine dahil edilecek ve ham varlık olarak ML Kit'e sunulacaktır.
Model bildirim dosyasının yolunu belirterek
LocalModel
nesnesi oluşturun:Java
AutoMLImageLabelerLocalModel localModel = new AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("manifest.json") // or .setAbsoluteFilePath(absolute file path to manifest file) .build();
Kotlin
val localModel = AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("manifest.json") // or .setAbsoluteFilePath(absolute file path to manifest file) .build()
Firebase tarafından barındırılan bir model kaynağı yapılandırın
Uzaktan barındırılan modeli kullanmak için, modeli yayınlarken modeli atadığınız adı belirterek bir RemoteModel
nesnesi oluşturun:
Java
// Specify the name you assigned in the Firebase console.
AutoMLImageLabelerRemoteModel remoteModel =
new AutoMLImageLabelerRemoteModel.Builder("your_model_name").build();
Kotlin
// Specify the name you assigned in the Firebase console.
val remoteModel =
AutoMLImageLabelerRemoteModel.Builder("your_model_name").build()
Ardından, indirmeye izin vermek istediğiniz koşulları belirterek model indirme görevini başlatın. Model cihazda değilse veya modelin daha yeni bir sürümü mevcutsa görev, modeli Firebase'den eşzamansız olarak indirir:
Java
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.
}
});
Kotlin
val downloadConditions = DownloadConditions.Builder()
.requireWifi()
.build()
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
.addOnSuccessListener {
// Success.
}
Birçok uygulama indirme görevini kendi başlatma kodunda başlatır, ancak modeli kullanmanız gerekmeden önce bunu herhangi bir noktada yapabilirsiniz.
Modelinizden bir görüntü etiketleyici oluşturun
Model kaynaklarınızı yapılandırdıktan sonra, bunlardan birinden bir ImageLabeler
nesnesi oluşturun.
Yalnızca yerel olarak paketlenmiş bir modeliniz varsa, AutoMLImageLabelerLocalModel
nesnenizden bir etiketleyici oluşturun ve gerekli olan güven puanı eşiğini yapılandırın ( AutoMLImageLabelerLocalModel
değerlendirme ):
Java
AutoMLImageLabelerOptions autoMLImageLabelerOptions =
new AutoMLImageLabelerOptions.Builder(localModel)
.setConfidenceThreshold(0.0f) // Evaluate your model in the Firebase console
// to determine an appropriate value.
.build();
ImageLabeler labeler = ImageLabeling.getClient(autoMLImageLabelerOptions)
Kotlin
val autoMLImageLabelerOptions = AutoMLImageLabelerOptions.Builder(localModel)
.setConfidenceThreshold(0) // Evaluate your model in the Firebase console
// to determine an appropriate value.
.build()
val labeler = ImageLabeling.getClient(autoMLImageLabelerOptions)
Uzaktan barındırılan bir modeliniz varsa, çalıştırmadan önce indirilip indirilmediğini kontrol etmeniz gerekir. Model yöneticisinin isModelDownloaded()
yöntemini kullanarak model indirme görevinin durumunu kontrol edebilirsiniz.
Bunu yalnızca etiketleyiciyi çalıştırmadan önce onaylamanız gerekse de, hem uzaktan barındırılan bir modeliniz hem de yerel olarak paketlenmiş bir modeliniz varsa, görüntü etiketleyiciyi başlatırken bu kontrolü gerçekleştirmek mantıklı olabilir: eğer uzak modelden bir etiketleyici oluşturun aksi takdirde yerel modelden indirilmiştir.
Java
RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
.addOnSuccessListener(new OnSuccessListener<Boolean>() {
@Override
public void onSuccess(Boolean isDownloaded) {
AutoMLImageLabelerOptions.Builder optionsBuilder;
if (isDownloaded) {
optionsBuilder = new AutoMLImageLabelerOptions.Builder(remoteModel);
} else {
optionsBuilder = new AutoMLImageLabelerOptions.Builder(localModel);
}
AutoMLImageLabelerOptions options = optionsBuilder
.setConfidenceThreshold(0.0f) // Evaluate your model in the Firebase console
// to determine an appropriate threshold.
.build();
ImageLabeler labeler = ImageLabeling.getClient(options);
}
});
Kotlin
RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
.addOnSuccessListener { isDownloaded ->
val optionsBuilder =
if (isDownloaded) {
AutoMLImageLabelerOptions.Builder(remoteModel)
} else {
AutoMLImageLabelerOptions.Builder(localModel)
}
// Evaluate your model in the Firebase console to determine an appropriate threshold.
val options = optionsBuilder.setConfidenceThreshold(0.0f).build()
val labeler = ImageLabeling.getClient(options)
}
Yalnızca uzaktan barındırılan bir modeliniz varsa, modelin indirildiğini onaylayana kadar modelle ilgili işlevselliği devre dışı bırakmanız (örneğin, kullanıcı arayüzünüzün bir kısmını griye çevirmeniz veya gizlemeniz) gerekir. Model yöneticisinin download()
yöntemine bir dinleyici ekleyerek bunu yapabilirsiniz:
Java
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.
}
});
Kotlin
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. Giriş görüntüsünü hazırlayın
Ardından, etiketlemek istediğiniz her görüntü için görüntünüzden birInputImage
nesnesi oluşturun. Görüntü etiketleyici, bir Bitmap
kullandığınızda veya camera2 API kullanıyorsanız, bir YUV_420_888 media.Image
kullandığınızda en hızlı şekilde çalışır ve mümkün olduğunda önerilir. Farklı kaynaklardan bir InputImage
oluşturabilirsiniz, her biri aşağıda açıklanmıştır.
Bir media.Image
kullanılması. media.Image
Bir oluşturmak için InputImage
bir nesneyi media.Image
böyle sen, bir cihazın kamerasının bir görüntü yakalamak geçerken olarak nesne, media.Image
nesne ve resmin dönüşünü InputImage.fromMediaImage()
.
Eğer kullanırsanız CameraX kütüphane OnImageCapturedListener
ve ImageAnalysis.Analyzer
sınıfları sizin için rotasyon değerini hesaplayın.
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 // ... } }
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 // ... } } }
Size görüntünün dönüş derecesini veren bir kamera kitaplığı kullanmıyorsanız, bunu cihazın dönüş derecesinden ve cihazdaki 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 derecesi değerini InputImage.fromMediaImage()
:
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
Kotlin + KTX
val image = InputImage.fromMediaImage(mediaImage, rotation)
Bir dosya URI'sı kullanma
Bir dosya InputImage
bir InputImage
nesnesi oluşturmak için, uygulama bağlamını ve dosya URI'sini InputImage.fromFilePath()
. Bu, kullanıcıdan galeri uygulamalarından bir resim seçmesini istemek için bir ACTION_GET_CONTENT
amacı kullandığınızda yararlıdır.
Java
InputImage image; try { image = InputImage.fromFilePath(context, uri); } catch (IOException e) { e.printStackTrace(); }
Kotlin + KTX
val image: InputImage try { image = InputImage.fromFilePath(context, uri) } catch (e: IOException) { e.printStackTrace() }
ByteBuffer
veya ByteArray
kullanma
Bir ByteBuffer
veya ByteArray
bir InputImage
nesnesi oluşturmak için, önce media.Image
girdisi için daha önce açıklandığı gibi görüntü döndürme derecesini hesaplayın. Ardından, görüntünün yüksekliği, genişliği, renk kodlama biçimi ve döndürme derecesi ile birlikte arabellek veya diziyle InputImage
nesnesini oluşturun:
Java
InputImage image = InputImage.fromByteBuffer(byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 );
Kotlin + KTX
val image = InputImage.fromByteBuffer( byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 )
Bitmap
kullanma
Bir Bitmap
nesnesinden bir InputImage
nesnesi oluşturmak için aşağıdaki bildirimi yapın:
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
Kotlin + KTX
val image = InputImage.fromBitmap(bitmap, 0)
Görüntü, dönüş dereceleriyle birlikte bir Bitmap
nesnesiyle temsil edilir.
3. Görüntü etiketleyiciyi çalıştırın
Bir görüntüdeki nesneleri etiketlemek için, image
nesnesini ImageLabeler
process()
yöntemine ImageLabeler
.
Java
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
// ...
}
});
Kotlin
labeler.process(image)
.addOnSuccessListener { labels ->
// Task completed successfully
// ...
}
.addOnFailureListener { e ->
// Task failed with an exception
// ...
}
4. Etiketli nesneler hakkında bilgi alın
Görüntü etiketleme işlemi başarılıImageLabel
, başarılı dinleyiciye ImageLabel
nesnelerinin bir listesi iletilir. Her ImageLabel
nesnesi, görüntüde etiketlenen bir şeyi temsil eder. Her bir etiketin metin açıklamasını, eşleşmenin güven puanını ve eşleşmenin dizinini alabilirsiniz. Örneğin: Java
for (ImageLabel label : labels) {
String text = label.getText();
float confidence = label.getConfidence();
int index = label.getIndex();
}
Kotlin
for (label in labels) {
val text = label.text
val confidence = label.confidence
val index = label.index
}
Gerçek zamanlı performansı iyileştirmek için ipuçları
Görüntüleri gerçek zamanlı bir uygulamada etiketlemek istiyorsanız, en iyi kare hızlarını elde etmek için şu yönergeleri izleyin:- Görüntü etiketleyiciyi kısın. Görüntü etiketleyici çalışırken yeni bir video çerçevesi kullanılabilir hale gelirse, çerçeveyi bırakın. Örnek için hızlı başlangıç örnek uygulamasında
VisionProcessorBase
sınıfına bakın. - Grafikleri giriş görüntüsünün üzerine yerleştirmek için görüntü etiketleyicinin çıktısını kullanıyorsanız, önce sonucu alın, ardından görüntüyü ve bindirmeyi tek bir adımda işleyin. Bunu yaparak, her girdi çerçevesi için görüntü yüzeyinde yalnızca bir kez render edersiniz. Örnek için hızlı başlangıç örnek uygulamasında
CameraSourcePreview
veGraphicOverlay
sınıflarına bakın. Camera2 API kullanıyorsanız, görüntüleri
ImageFormat.YUV_420_888
formatında yakalayın.Eski Kamera API'sini kullanıyorsanız, görüntüleri
ImageFormat.NV21
formatında yakalayın.