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

Görüntüleri Android'de AutoML eğitimli bir modelle etiketleyin

AutoML Vision Edge kullanarak kendi modelinizi eğittikten sonra, bunu uygulamanızda görüntüleri etiketlemek için kullanabilirsiniz.

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
  • Model, uygulamanızın APK'sının bir parçasıdır
  • Model, Android cihaz çevrimdışıyken bile hemen kullanılabilir
  • Firebase projesine gerek yok
Firebase ile barındırılıyor
  • Modeli Firebase Machine Learning'e yükleyerek barındırın
  • APK boyutunu küçültür
  • Model talep üzerine indirilir
  • Uygulamanızı yeniden yayınlamadan model güncellemelerini aktarın
  • Firebase Remote Config ile kolay A / B testi
  • Firebase projesi gerektirir

Sen başlamadan önce

  1. ML Kit Android kitaplıklarının bağımlılıkları, modülünüzün genellikle app/build.gradle olan uygulama düzeyindeki gradle dosyasına app/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 için linkFirebase 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'
    }
    
  2. 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:

  1. Modeli ve meta verilerini Firebase konsolundan indirdiğiniz zip arşivinden çıkarın. Dosyaları indirirken herhangi bir değişiklik yapmadan (dosya adları dahil) kullanmanızı öneririz.

  2. Modelinizi ve meta veri dosyalarını uygulama paketinize ekleyin:

    1. Projenizde varlıklar klasörünüz yoksa, app/ klasöre sağ tıklayarak ve ardından Yeni> Klasör> Varlıklar Klasörü'ne tıklayarak bir tane oluşturun.
    2. Model dosyalarını içerecek varlıklar klasörünün altında bir alt klasör oluşturun.
    3. model.tflite , dict.txt ve manifest.json dosyalarını alt klasöre kopyalayın (üç dosyanın tümü aynı klasörde olmalıdır).
  3. build.gradle uygulamayı oluştururken model dosyasını sıkıştırmamasını sağlamak için uygulamanızın build.gradle dosyasına aşağıdakileri ekleyin:

    android {
        // ...
        aaptOptions {
            noCompress "tflite"
        }
    }
    

    Model dosyası, uygulama paketine dahil edilecek ve ham varlık olarak ML Kit'e sunulacaktır.

  4. 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 başarılı ImageLabel , 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 ve GraphicOverlay sınıflarına bakın.
  • Camera2 API kullanıyorsanız, görüntüleri ImageFormat.YUV_420_888 formatında yakalayın.

    Eski Kamera API'sini kullanıyorsanız, görüntüleri ImageFormat.NV21 formatında yakalayın.