Android पर एमएल किट की मदद से चेहरों की पहचान करना

इमेज और वीडियो में चेहरों का पता लगाने के लिए, ML Kit का इस्तेमाल किया जा सकता है.

यह एपीआई, बिना बंडल वाली लाइब्रेरी का इस्तेमाल करके उपलब्ध है. इसका इस्तेमाल करने से पहले, लाइब्रेरी को डाउनलोड करना होगा. इसके अलावा, यह एपीआई बंडल की गई लाइब्रेरी का इस्तेमाल करके भी उपलब्ध है. इससे आपके ऐप्लिकेशन का साइज़ बढ़ जाता है. इंस्टॉल करने के दोनों विकल्पों के बीच के अंतर के बारे में ज़्यादा जानकारी के लिए, यह गाइड देखें.

सुविधा	अलग-अलग	बंडल किए गए
लागू करना	मॉडल, Google Play services की मदद से डाइनैमिक तौर पर डाउनलोड किया जाता है.	मॉडल, बिल्ड के समय आपके ऐप्लिकेशन से स्टैटिक तौर पर लिंक होता है.
ऐप्लिकेशन का साइज़	साइज़ में करीब 800 केबी की बढ़ोतरी.	साइज़ में करीब 6.9 एमबी की बढ़ोतरी.
डेटा लेयर में इवेंट बनाने की प्रोसेस में लगने वाला समय	पहली बार इस्तेमाल करने से पहले, मॉडल डाउनलोड होने का इंतज़ार करना पड़ सकता है.	मॉडल तुरंत उपलब्ध हो

इसे आज़माएं

• इस एपीआई के इस्तेमाल का उदाहरण देखने के लिए, सैंपल ऐप्लिकेशन आज़माएं.
• कोडलैब की मदद से, कोड को खुद आज़माएं.

शुरू करने से पहले

इस एपीआई के लिए, Android एपीआई लेवल 21 या उसके बाद का वर्शन ज़रूरी है. पक्का करें कि आपके ऐप्लिकेशन की बिल्ड फ़ाइल में minSdkVersion की वैल्यू 21 या उससे ज़्यादा हो.

1. प्रोजेक्ट-लेवल की build.gradle फ़ाइल में, buildscript और allprojects, दोनों सेक्शन में Google की Maven रिपॉज़िटरी को शामिल करना न भूलें.

2. अपने मॉड्यूल की ऐप्लिकेशन-लेवल की Gradle फ़ाइल में, ML Kit की Android लाइब्रेरी की डिपेंडेंसी जोड़ें. आम तौर पर, यह फ़ाइल app/build.gradle होती है. अपनी ज़रूरतों के हिसाब से, इनमें से कोई एक डिपेंडेंसी चुनें:

   अपने ऐप्लिकेशन के साथ मॉडल को बंडल करने के लिए:

   dependencies {
     // ...
     // Use this dependency to bundle the model with your app
     implementation 'com.google.mlkit:face-detection:16.1.7'
   }
   

   Google Play services में मॉडल का इस्तेमाल करने के लिए:

   dependencies {
     // ...
     // Use this dependency to use the dynamically downloaded model in Google Play Services
     implementation 'com.google.android.gms:play-services-mlkit-face-detection:17.1.0'
   }
   

3. अगर आपको Google Play services में मॉडल का इस्तेमाल करना है, तो अपने ऐप्लिकेशन को इस तरह कॉन्फ़िगर किया जा सकता है कि Play Store से ऐप्लिकेशन इंस्टॉल होने के बाद, मॉडल अपने-आप डिवाइस पर डाउनलोड हो जाए. इसके लिए, अपने ऐप्लिकेशन की AndroidManifest.xml फ़ाइल में यह एलान जोड़ें:

   <application ...>
         ...
         <meta-data
             android:name="com.google.mlkit.vision.DEPENDENCIES"
             android:value="face" >
         <!-- To use multiple models: android:value="face,model2,model3" -->
   </application>
   

   Google Play services के ModuleInstallClient API की मदद से, मॉडल की उपलब्धता की साफ़ तौर पर जांच की जा सकती है. साथ ही, डाउनलोड करने का अनुरोध भी किया जा सकता है.

   अगर आपने इंस्टॉल के समय मॉडल डाउनलोड करने की सुविधा चालू नहीं की है या साफ़ तौर पर डाउनलोड करने का अनुरोध नहीं किया है, तो डिटेक्टर को पहली बार चलाने पर मॉडल डाउनलोड हो जाता है. डाउनलोड पूरा होने से पहले किए गए अनुरोधों से कोई नतीजा नहीं मिलता.

इनपुट इमेज के लिए दिशा-निर्देश

चेहरे की पहचान करने के लिए, आपको कम से कम 480x360 पिक्सल वाली इमेज का इस्तेमाल करना चाहिए. ML Kit को चेहरों का सटीक तरीके से पता लगाने के लिए, इनपुट इमेज में ऐसे चेहरे होने चाहिए जिनमें ज़रूरत के मुताबिक पिक्सल डेटा हो. आम तौर पर, किसी इमेज में जिस चेहरे का पता लगाना है वह कम से कम 100x100 पिक्सल का होना चाहिए. अगर आपको चेहरों के कॉन्टूर का पता लगाना है, तो ML Kit को ज़्यादा रिज़ॉल्यूशन वाले इनपुट की ज़रूरत होती है: हर चेहरे का रिज़ॉल्यूशन कम से कम 200x200 पिक्सल होना चाहिए.

अगर आपको रीयल-टाइम ऐप्लिकेशन में चेहरों का पता चलता है, तो हो सकता है कि आप इनपुट इमेज के सभी डाइमेंशन पर भी ध्यान देना चाहें. छोटी इमेज को तेज़ी से प्रोसेस किया जा सकता है. इसलिए, इंतज़ार का समय कम करने के लिए, इमेज को कम रिज़ॉल्यूशन में कैप्चर करें. हालांकि, सटीक नतीजे पाने के लिए ऊपर बताई गई ज़रूरी शर्तों को ध्यान में रखें. साथ ही, पक्का करें कि इमेज में व्यक्ति का चेहरा ज़्यादा से ज़्यादा जगह पर हो. रीयल-टाइम परफ़ॉर्मेंस को बेहतर बनाने के बारे में सलाह भी देखें.

इमेज का फ़ोकस खराब होने पर भी नतीजों की सटीकता पर असर पड़ सकता है. अगर आपको सही नतीजे नहीं मिलते हैं, तो उपयोगकर्ता से इमेज फिर से लेने के लिए कहें.

कैमरे के हिसाब से चेहरे के ओरिएंटेशन से भी इस बात पर असर पड़ सकता है कि ML Kit, चेहरे की किन गतिविधियों का पता लगाए. चेहरे की पहचान करने के कॉन्सेप्ट देखें.

1. चेहरे की पहचान करने वाले डिवाइस को कॉन्फ़िगर करना

अगर आपको किसी इमेज पर चेहरे का पता लगाने की सुविधा लागू करने से पहले, चेहरे का पता लगाने वाले टूल की किसी भी डिफ़ॉल्ट सेटिंग में बदलाव करना है, तो उन सेटिंग के लिए FaceDetectorOptions ऑब्जेक्ट का इस्तेमाल करें. आप निम्‍न सेटिंग बदल सकते हैं:

सेटिंग
setPerformanceMode	PERFORMANCE_MODE_FAST (डिफ़ॉल्ट) | PERFORMANCE_MODE_ACCURATE चेहरे की पहचान करने के लिए, तेज़ी या सटीक जानकारी में से किसी एक को चुनें.
setLandmarkMode	LANDMARK_MODE_NONE (डिफ़ॉल्ट) | LANDMARK_MODE_ALL चेहरे के "लैंडमार्क" की पहचान करने की कोशिश करनी है या नहीं: आंखें, कान, नाक, गाल, मुंह वगैरह.
setContourMode	CONTOUR_MODE_NONE (डिफ़ॉल्ट) | CONTOUR_MODE_ALL चेहरे की विशेषताओं के कॉन्टूर का पता लगाना है या नहीं. इमेज में मौजूद सिर्फ़ सबसे प्रमुख चेहरे के लिए, कॉन्टूर का पता लगाया जाता है.
setClassificationMode	CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट) | CLASSIFICATION_MODE_ALL चेहरों को "मुस्कुराते हुए", और "आंखें खुली" जैसी कैटगरी में बांटना है या नहीं.
setMinFaceSize	float (डिफ़ॉल्ट: 0.1f) चेहरे के सबसे छोटे साइज़ को सेट करता है. इसे इमेज की चौड़ाई के मुकाबले, सिर की चौड़ाई के अनुपात के तौर पर दिखाया जाता है.
enableTracking	false (डिफ़ॉल्ट) | true चेहरों को आईडी असाइन करना है या नहीं. इसका इस्तेमाल, सभी इमेज में चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि कॉन्टूर का पता लगाने की सुविधा चालू होने पर, सिर्फ़ एक चेहरे का पता चलता है. इसलिए, चेहरे को ट्रैक करने की सुविधा से काम के नतीजे नहीं मिलते. इस वजह से और पहचान करने की स्पीड को बेहतर बनाने के लिए, कॉन्टूर का पता लगाने और चेहरे को ट्रैक करने की सुविधा, दोनों को एक साथ चालू न करें.

उदाहरण के लिए:

Kotlin

// High-accuracy landmark detection and face classification
val highAccuracyOpts = FaceDetectorOptions.Builder()
        .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE)
        .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL)
        .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL)
        .build()

// Real-time contour detection
val realTimeOpts = FaceDetectorOptions.Builder()
        .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL)
        .build()
FaceDetectionActivity.kt

Java

// High-accuracy landmark detection and face classification
FaceDetectorOptions highAccuracyOpts =
        new FaceDetectorOptions.Builder()
                .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE)
                .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL)
                .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL)
                .build();

// Real-time contour detection
FaceDetectorOptions realTimeOpts =
        new FaceDetectorOptions.Builder()
                .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL)
                .build();
FaceDetectionActivity.java

2. इनपुट इमेज तैयार करना

किसी इमेज में चेहरों का पता लगाने के लिए, डिवाइस पर मौजूद Bitmap, media.Image, ByteBuffer, बाइट कलेक्शन या फ़ाइल में से किसी एक से InputImage ऑब्जेक्ट बनाएं. इसके बाद, InputImage ऑब्जेक्ट को FaceDetector के process तरीके में पास करें.

चेहरे का पता लगाने के लिए, आपको कम से कम 480x360 पिक्सल वाली इमेज का इस्तेमाल करना चाहिए. अगर रीयल टाइम में चेहरों का पता लगाया जा रहा है, तो कम से कम इस रिज़ॉल्यूशन में फ़्रेम कैप्चर करने से, इंतज़ार का समय कम किया जा सकता है.

अलग-अलग सोर्स से InputImage ऑब्जेक्ट बनाया जा सकता है. इनमें से हर सोर्स के बारे में नीचे बताया गया है.

media.Image का इस्तेमाल करना

media.Image ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, media.Image ऑब्जेक्ट और इमेज के रोटेशन को InputImage.fromMediaImage() में पास करें. ऐसा तब किया जाता है, जब किसी डिवाइस के कैमरे से इमेज कैप्चर की जाती है.

अगर CameraX लाइब्रेरी का इस्तेमाल किया जाता है, तो OnImageCapturedListener और ImageAnalysis.Analyzer क्लास आपके लिए रोटेशन वैल्यू का हिसाब लगाती हैं.

Kotlin

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) {
        Image mediaImage = imageProxy.getImage();
        if (mediaImage != null) {
          InputImage image =
                InputImage.fromMediaImage(mediaImage, imageProxy.getImageInfo().getRotationDegrees());
          // Pass image to an ML Kit Vision API
          // ...
        }
    }
}

अगर आपने ऐसी कैमरा लाइब्रेरी का इस्तेमाल नहीं किया है जो इमेज के घूमने की डिग्री बताती है, तो डिवाइस के घूमने की डिग्री और डिवाइस में कैमरे के सेंसर के ओरिएंटेशन से इसका हिसाब लगाया जा सकता है:

Kotlin

private val ORIENTATIONS = SparseIntArray()

init {
    ORIENTATIONS.append(Surface.ROTATION_0, 0)
    ORIENTATIONS.append(Surface.ROTATION_90, 90)
    ORIENTATIONS.append(Surface.ROTATION_180, 180)
    ORIENTATIONS.append(Surface.ROTATION_270, 270)
}

/**
 * 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, isFrontFacing: Boolean): 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)

    // Get the device's sensor orientation.
    val cameraManager = activity.getSystemService(CAMERA_SERVICE) as CameraManager
    val sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION)!!

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360
    }
    return rotationCompensation
}
MLKitVisionImage.kt

Java

private static final SparseIntArray ORIENTATIONS = new SparseIntArray();
static {
    ORIENTATIONS.append(Surface.ROTATION_0, 0);
    ORIENTATIONS.append(Surface.ROTATION_90, 90);
    ORIENTATIONS.append(Surface.ROTATION_180, 180);
    ORIENTATIONS.append(Surface.ROTATION_270, 270);
}

/**
 * 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, boolean isFrontFacing)
        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);

    // Get the device's sensor orientation.
    CameraManager cameraManager = (CameraManager) activity.getSystemService(CAMERA_SERVICE);
    int sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION);

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360;
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360;
    }
    return rotationCompensation;
}

इसके बाद, media.Image ऑब्जेक्ट और InputImage.fromMediaImage() में घुमाव की डिग्री की वैल्यू पास करें:

Kotlin

val image = InputImage.fromMediaImage(mediaImage, rotation)
MLKitVisionImage.kt

Java

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

फ़ाइल के यूआरआई का इस्तेमाल करना

फ़ाइल यूआरआई से InputImage ऑब्जेक्ट बनाने के लिए, ऐप्लिकेशन कॉन्टेक्स्ट और फ़ाइल यूआरआई को InputImage.fromFilePath() में पास करें. यह तब काम आता है, जब उपयोगकर्ता को अपने गैलरी ऐप्लिकेशन से कोई इमेज चुनने के लिए कहने के लिए, ACTION_GET_CONTENT इंटेंट का इस्तेमाल किया जाता है.

Kotlin

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

Java

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

ByteBuffer या ByteArray का इस्तेमाल करना

ByteBuffer या ByteArray से InputImage ऑब्जेक्ट बनाने के लिए, सबसे पहले इमेज के घूमने की डिग्री का हिसाब लगाएं. यह हिसाब लगाने का तरीका, media.Image इनपुट के लिए पहले बताया गया है. इसके बाद, बफ़र या ऐरे के साथ InputImage ऑब्जेक्ट बनाएं. साथ ही, इमेज की ऊंचाई, चौड़ाई, कलर कोडिंग फ़ॉर्मैट, और घुमाव की डिग्री भी डालें:

Kotlin

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
MLKitVisionImage.kt
// Or:
val image = InputImage.fromByteArray(
        byteArray,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
MLKitVisionImage.kt

Java

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);
MLKitVisionImage.java
// Or:
InputImage image = InputImage.fromByteArray(
        byteArray,
        /* image width */480,
        /* image height */360,
        rotation,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);
MLKitVisionImage.java

Bitmap का इस्तेमाल करना

Bitmap ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, यह एलान करें:

Kotlin

val image = InputImage.fromBitmap(bitmap, 0)
MLKitVisionImage.kt

Java

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

इमेज को घुमाने की डिग्री के साथ Bitmap ऑब्जेक्ट से दिखाया जाता है.

3. FaceDetector का इंस्टेंस पाना

Kotlin

val detector = FaceDetection.getClient(options)
// Or, to use the default option:
// val detector = FaceDetection.getClient();
FaceDetectionActivity.kt

Java

FaceDetector detector = FaceDetection.getClient(options);
// Or use the default options:
// FaceDetector detector = FaceDetection.getClient();
FaceDetectionActivity.java

4. इमेज को प्रोसेस करना

इमेज को process वाले तरीके पर पास करें:

Kotlin

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

Java

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

ध्यान दें: अगर CameraX एपीआई का इस्तेमाल किया जा रहा है, तो इसका इस्तेमाल करने के बाद ImageProxy को बंद करना न भूलें. उदाहरण के लिए, process तरीके से दिखाए गए Task में OnCompleteListener जोड़कर. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

5. पहचानी गई चेहरों के बारे में जानकारी पाना

अगर चेहरे का पता लगाने की प्रोसेस पूरी हो जाती है, तो Face ऑब्जेक्ट की सूची, सफलता के सूचक को भेजी जाती है. हर Face ऑब्जेक्ट, इमेज में पहचानी गई किसी चेहरे को दिखाता है. हर चेहरे के लिए, इनपुट इमेज में उसके बॉउंडिंग निर्देशांक के साथ-साथ, चेहरे का पता लगाने वाले टूल को कॉन्फ़िगर करके मिली अन्य जानकारी भी मिल सकती है. उदाहरण के लिए:

Kotlin

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(FaceLandmark.LEFT_EAR)
    leftEar?.let {
        val leftEarPos = leftEar.position
    }

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

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

    // If face tracking was enabled:
    if (face.trackingId != null) {
        val id = face.trackingId
    }
}
FaceDetectionActivity.kt

Java

for (Face 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):
    FaceLandmark leftEar = face.getLandmark(FaceLandmark.LEFT_EAR);
    if (leftEar != null) {
        PointF leftEarPos = leftEar.getPosition();
    }

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

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

    // If face tracking was enabled:
    if (face.getTrackingId() != null) {
        int id = face.getTrackingId();
    }
}
FaceDetectionActivity.java

चेहरे के कॉन्टूर का उदाहरण

चेहरे के कॉन्टूर का पता लगाने की सुविधा चालू होने पर, आपको चेहरे की हर उस विशेषता के लिए पॉइंट की सूची मिलती है जिसका पता चला है. ये पॉइंट, फ़ीचर के आकार को दिखाते हैं. कॉन्टूर को दिखाने के तरीके के बारे में जानने के लिए, चेहरे की पहचान करने के कॉन्सेप्ट देखें.

इस इमेज में दिखाया गया है कि ये पॉइंट किसी चेहरे को कैसे मैप करते हैं. इमेज को बड़ा करने के लिए, उस पर क्लिक करें:

रीयल-टाइम में चेहरे की पहचान करने की सुविधा

अगर आपको रीयल-टाइम ऐप्लिकेशन में चेहरे की पहचान करने की सुविधा का इस्तेमाल करना है, तो सबसे अच्छा फ़्रेमरेट पाने के लिए इन दिशा-निर्देशों का पालन करें:

• चेहरे के कॉन्टूर का पता लगाने या चेहरे की पहचान करने और लैंडमार्क का पता लगाने में से किसी एक सुविधा का इस्तेमाल करने के लिए, चेहरे की पहचान करने वाले टूल को कॉन्फ़िगर करें. दोनों सुविधाओं का इस्तेमाल नहीं किया जा सकता:

  कॉन्टूर का पता लगाना
  लैंडमार्क का पता लगाना
  कैटगरी तय करना
  लैंडमार्क का पता लगाना और कैटगरी तय करना
  कॉन्टूर का पता लगाना और लैंडमार्क का पता लगाना
  कॉन्टूर का पता लगाना और कैटगरी तय करना
  कॉन्टूर का पता लगाना, लैंडमार्क का पता लगाना, और कैटगरी तय करना
  

• FAST मोड चालू करें (यह डिफ़ॉल्ट रूप से चालू होता है).

• कम रिज़ॉल्यूशन में इमेज कैप्चर करें. हालांकि, इस एपीआई के लिए इमेज के डाइमेंशन से जुड़ी ज़रूरी शर्तों को भी ध्यान में रखें.

अगर Camera या camera2 एपीआई का इस्तेमाल किया जाता है, तो डिटेक्टर को कॉल कम करें. अगर डिटेक्टर चालू होने के दौरान कोई नया वीडियो फ़्रेम उपलब्ध होता है, तो फ़्रेम को छोड़ दें. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

अगर CameraX एपीआई का इस्तेमाल किया जाता है, तो पक्का करें कि बैकप्रेशर की रणनीति, डिफ़ॉल्ट वैल्यू पर सेट हो ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST. इससे यह पक्का होता है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज डिलीवर की जाएगी. अगर विश्लेषक व्यस्त होने पर ज़्यादा इमेज जनरेट होती हैं, तो वे अपने-आप हट जाएंगी और डिलीवरी के लिए कतार में नहीं जोड़ी जाएंगी. ImageProxy.close() को कॉल करके, जिस इमेज का विश्लेषण किया जा रहा है उसे बंद करने के बाद, अगली नई इमेज डिलीवर की जाएगी.

अगर इनपुट इमेज पर ग्राफ़िक ओवरले करने के लिए, डिटेक्टर के आउटपुट का इस्तेमाल किया जाता है, तो पहले ML Kit से नतीजा पाएं. इसके बाद, एक ही चरण में इमेज को रेंडर करें और ओवरले करें. यह हर इनपुट फ़्रेम के लिए, डिसप्ले प्लैटफ़ॉर्म पर सिर्फ़ एक बार रेंडर होता है. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में CameraSourcePreview और GraphicOverlay क्लास देखें.

अगर Camera2 API का इस्तेमाल किया जा रहा है, तो इमेज को ImageFormat.YUV_420_888 फ़ॉर्मैट में कैप्चर करें. अगर पुराने Camera API का इस्तेमाल किया जा रहा है, तो इमेज को ImageFormat.NV21 फ़ॉर्मैट में कैप्चर करें.