Android पर एमएल किट की मदद से चेहरों की पहचान करना

एमएल किट का इस्तेमाल करके, इमेज और वीडियो में मौजूद चेहरों की पहचान की जा सकती है.

यह एपीआई, बंडल नहीं की गई ऐसी लाइब्रेरी का इस्तेमाल करके उपलब्ध है जिसे इस्तेमाल करने से पहले डाउनलोड करना ज़रूरी है. इसके अलावा, यह एपीआई बंडल की गई ऐसी लाइब्रेरी का भी इस्तेमाल कर सकता है जो आपके ऐप्लिकेशन का साइज़ बड़ा करती है. इंस्टॉल करने के दो विकल्पों के बीच अंतर के बारे में ज़्यादा जानने के लिए, यह गाइड देखें.

सुविधा	बंडल न किए गए	बंडल किए गए
लागू करने का तरीका	मॉडल को Google Play services की मदद से डाइनैमिक तौर पर डाउनलोड किया जाता है.	बिल्ड के समय, मॉडल को आपके ऐप्लिकेशन से स्टैटिक रूप से लिंक किया जाता है.
ऐप्लिकेशन का साइज़	करीब 800 केबी का साइज़ बढ़ाया जाता है.	साइज़ करीब 6.9 एमबी बढ़ गया.
शुरू करने का समय	पहली बार इस्तेमाल करने से पहले मॉडल के डाउनलोड होने का इंतज़ार करना पड़ सकता है.	मॉडल तुरंत उपलब्ध है

इसे आज़माएं

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

शुरू करने से पहले

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

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

2. अपने मॉड्यूल की ऐप्लिकेशन-लेवल की ग्रेडल फ़ाइल में, ML Kit Android लाइब्रेरी के लिए डिपेंडेंसी जोड़ें. आम तौर पर, यह app/build.gradle होती है. अपनी ज़रूरत 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:16.1.6'
   }
   

   Google Play Services में मॉडल 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 इस मॉडल को Google Play Services में इस्तेमाल किया जाता है, तो अपने ऐप्लिकेशन को इस तरह कॉन्फ़िगर किया जा सकता है कि Play Store से ऐप्लिकेशन इंस्टॉल होने के बाद, मॉडल आपके डिवाइस पर अपने-आप डाउनलोड हो जाए. ऐसा करने के 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>
   

   इसके अलावा, मॉडल की उपलब्धता की जानकारी भी देखी जा सकती है. साथ ही, Google Play services के ModuleInstallClient API की मदद से, मॉडल को डाउनलोड करने का अनुरोध किया जा सकता है.

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

इनपुट इमेज के लिए दिशा-निर्देश

चेहरा पहचानने के लिए, आपको कम से कम 480x360 पिक्सल की इमेज का इस्तेमाल करना चाहिए. मशीन लर्निंग किट में चेहरों की सटीक पहचान करने के लिए, इनपुट इमेज में ऐसे चेहरे होने चाहिए जिन्हें काफ़ी पिक्सल डेटा से दिखाया गया हो. आम तौर पर, इमेज में मौजूद हर फ़ेस की पहचान कम से कम 100x100 पिक्सल की होनी चाहिए. अगर आपको चेहरों की बनावट का पता लगाना है, तो एमएल किट की ज़रूरत होती है. इसके लिए, हाई रिज़ॉल्यूशन वाले इनपुट की ज़रूरत होती है. हर फ़ेस का रिज़ॉल्यूशन कम से कम 200x200 पिक्सल होना चाहिए.

अगर रीयल-टाइम में चेहरों की पहचान की जाती है, तो इनपुट इमेज के सभी डाइमेंशन पर भी ध्यान दिया जा सकता है. छोटी इमेज को तेज़ी से प्रोसेस किया जा सकता है. इसलिए, इंतज़ार का समय कम करने के लिए, कम रिज़ॉल्यूशन वाली इमेज लें. हालांकि, सटीक नतीजे पाने के लिए ऊपर बताई गई ज़रूरी शर्तों का ध्यान रखें. साथ ही, यह भी पक्का करें कि इमेज में व्यक्ति का चेहरा ज़्यादा से ज़्यादा दिखे. रीयल-टाइम में परफ़ॉर्मेंस को बेहतर बनाने के बारे में सलाह भी देखें.

खराब इमेज फ़ोकस भी सटीक जानकारी पर असर डाल सकता है. अगर आपको ऐसे नतीजे नहीं मिलते हैं जो स्वीकार किए जाते हैं, तो उपयोगकर्ता से इमेज को वापस लाने के लिए कहें.

चेहरे की स्क्रीन की दिशा (ओरिएंटेशन) से भी, एमएल किट की पहचान करने वाली चेहरे की सुविधाओं पर असर पड़ सकता है. चेहरे की पहचान करने वाले तरीके देखें.

1. चेहरे की पहचान करने वाली सुविधा को कॉन्फ़िगर करें

किसी इमेज पर चेहरे की पहचान करने की सुविधा लागू करने से पहले, अगर आपको चेहरे का पता लगाने वाली किसी भी डिफ़ॉल्ट सेटिंग में बदलाव करना है, तो FaceDetectorOptions ऑब्जेक्ट के ज़रिए उन सेटिंग की जानकारी दें. आप निम्न सेटिंग बदल सकते हैं:

सेटिंग
setPerformanceMode	PERFORMANCE_MODE_FAST (डिफ़ॉल्ट) | PERFORMANCE_MODE_ACCURATE चेहरों की पहचान करते समय, रफ़्तार या सटीक जानकारी का इस्तेमाल करें.
setLandmarkMode	LANDMARK_MODE_NONE (डिफ़ॉल्ट) | LANDMARK_MODE_ALL चेहरे, कान, नाक, गाल, मुंह वगैरह को पहचानने की कोशिश की गई है.
setContourMode	CONTOUR_MODE_NONE (डिफ़ॉल्ट) | CONTOUR_MODE_ALL चेहरे के हाव-भाव की पहचान की जाए या नहीं. इमेज में सिर्फ़ सबसे ज़्यादा दिखने वाले चेहरे के लिए, कंटूर की पहचान की जाती है.
setClassificationMode	CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट) | CLASSIFICATION_MODE_ALL चेहरे को "मुस्कान", और "आंखें खुली" जैसी कैटगरी में रखना है या नहीं.
setMinFaceSize	float (डिफ़ॉल्ट: 0.1f) चेहरे का सबसे छोटा साइज़ सेट करता है, जिसे सिर की चौड़ाई और इमेज की चौड़ाई के अनुपात के तौर पर दिखाया जाता है.
enableTracking	false (डिफ़ॉल्ट) | true चेहरों को आईडी असाइन करना है या नहीं, जिसका इस्तेमाल सभी इमेज में चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि जब कॉन्टूर की पहचान करने की सुविधा चालू होती है, तब सिर्फ़ एक चेहरे का पता चलता है. इसलिए, चेहरे को ट्रैक करने की सुविधा से बेहतर नतीजे नहीं मिलते. इस वजह से, पहचान करने की स्पीड को बेहतर बनाने के लिए, कॉन्टूर की पहचान और फ़ेस ट्रैकिंग, दोनों को 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 करें

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

चेहरे की पहचान के लिए, आपको कम से कम 480x360 पिक्सल की इमेज का इस्तेमाल करना चाहिए. अगर रीयल टाइम में चेहरे की पहचान की जा रही है, तो इस सबसे कम रिज़ॉल्यूशन पर फ़्रेम कैप्चर करने से, वीडियो के रेंडर होने में लगने वाला समय कम किया जा सकता है.

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

media.Image का इस्तेमाल करके

किसी media.Image ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, जैसे कि किसी डिवाइस के कैमरे से इमेज कैप्चर करने पर, media.Image ऑब्जेक्ट और इमेज के रोटेशन को InputImage.fromMediaImage() पर पास करें.

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 को घुमाने की डिग्री देती है, तो डिवाइस की रोटेशन डिग्री और डिवाइस में कैमरा सेंसर के ओरिएंटेशन की मदद 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 रोटेशन डिग्री की वैल्यू को InputImage.fromMediaImage() पर पास करें:

Kotlin

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

Java

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

फ़ाइल यूआरआई का इस्तेमाल करना

किसी 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 ACTION_GET_CONTENT इंटेंट का इस्तेमाल करके, उपयोगकर्ता से उसके गैलरी ऐप्लिकेशन से कोई इमेज चुनने का अनुरोध 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 करके

किसी ByteBuffer या ByteArray से InputImage ऑब्जेक्ट बनाने के लिए, सबसे पहले इमेज के रोटेशन डिग्री का हिसाब लगाएं, जैसा कि media.Image इनपुट के लिए पहले बताया गया था. इसके बाद, इमेज की ऊंचाई, चौड़ाई, कलर एन्कोडिंग का फ़ॉर्मैट, और रोटेशन डिग्री के साथ, बफ़र या अरे की मदद से InputImage ऑब्जेक्ट बनाएं:

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 करके

किसी 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 रोटेशन डिग्री के साथ, Bitmap ऑब्जेक्ट से दिखाया गया है.

3. FaceDetector का इंस्टेंस पाएं

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 करें

इमेज को process तरीके से 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 पक्का करें कि इसका इस्तेमाल पूरा होने के बाद, ImageProxy को बंद कर दिया जाए. उदाहरण के लिए,process तरीके से मिले Task में OnCompleteListener जोड़कर. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

5. पहचाने गए चेहरों के बारे में जानकारी पाएं

अगर चेहरे की पहचान करने वाली कार्रवाई पूरी हो जाती है, तो सक्सेसलिस्टर को Face ऑब्जेक्ट की सूची भेजी जाती है. हर Face ऑब्जेक्ट, उस चेहरे को दिखाता है जिसकी पहचान इमेज में की गई थी. हर चेहरे के लिए, आपको इनपुट इमेज में उसके बाउंडिंग निर्देशांक मिल सकते हैं. साथ ही, ऐसी अन्य जानकारी भी मिल सकती है जिसे ढूंढने के लिए आपने फ़ेस डिटेक्टर को कॉन्फ़िगर किया 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 की बनावट के उदाहरण

चेहरे की पहचान करने की सुविधा चालू होने पर, चेहरे की हर उस सुविधा के लिए पॉइंट की एक सूची मिलती है जिसका पता लगाया गया है. ये पॉइंट, सुविधा के आकार को दिखाते हैं. कंटूर कैसे दिखाया जाता है, इस बारे में ज़्यादा जानने के लिए, चेहरे की पहचान करने वाले कॉन्सेप्ट देखें.

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

चेहरे की रीयल-टाइम पहचान

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

• चेहरे की पहचान करने वाली सुविधा को इस तरह कॉन्फ़िगर करें कि वह चेहरे की पहचान या कैटगरी तय करने और लैंडमार्क की पहचान करने की सुविधा का इस्तेमाल कर सके. हालांकि, दोनों का नहीं:

  कंटूर की पहचान
  लैंडमार्क की पहचान
  क्लासिफ़िकेशन
  लैंडमार्क की पहचान और क्लासिफ़िकेशन
  कंटूर की पहचान और लैंडमार्क की पहचान
  कंटूर की पहचान और क्लासिफ़िकेशन
  कंटूर की पहचान, लैंडमार्क की पहचान, और कैटगरी की पहचान
  

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

• इससे कम रिज़ॉल्यूशन वाली इमेज कैप्चर की जा सकती हैं. हालांकि, इस एपीआई की इमेज डाइमेंशन से जुड़ी शर्तों का भी ध्यान रखें.

अगर Camera या camera2 एपीआई का इस्तेमाल किया जाता है, तो डिटेक्टर के पास कॉल को थ्रॉटल करें. अगर डिटेक्टर के चालू होने के दौरान, कोई नया वीडियो फ़्रेम उपलब्ध हो जाता 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 यह पक्का कर लें कि बैकप्रेशर स्ट्रेटजी, अपनी डिफ़ॉल्ट वैल्यू ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST पर सेट हो. इससे यह गारंटी मिलती है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज ही डिलीवर की जाएगी. अगर ऐनालाइज़र के व्यस्त होने पर ज़्यादा इमेज जनरेट होती हैं, तो वे अपने-आप हट जाएंगी और डिलीवरी के लिए सूची में नहीं दिखेंगी. जिस इमेज की जांच की जा रही है उसे Imageप्रॉक्सी.close() को कॉल करके बंद किए जाने के बाद, अगली सबसे नई इमेज डिलीवर की जाएगी.

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

अगर Camera2 API का इस्तेमाल किया जाता 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.