Bu sayfa, Cloud Translation API ile çevrilmiştir.

Android'de ML Kit ile yüzleri algılama

Resimler ve videolardaki yüzleri algılamak için ML Kit'i kullanabilirsiniz.

Özellik	Grup halinde olmayanlar	Gruplandırılanlar
Uygulama	Model, Google Play Hizmetleri üzerinden dinamik olarak indirilir.	Model, derleme sırasında uygulamanıza statik olarak bağlanır.
Uygulama boyutu	Yaklaşık 800 KB boyut artışı.	Yaklaşık 6,9 MB boyut artışı.
Başlatma süresi	İlk kullanımdan önce modelin indirilmesini beklemeniz gerekebilir.	Model hemen kullanılabilir

Deneyin

Bu API'nin örnek kullanımını görmek için örnek uygulamayla denemeler yapın.
Kodu codelab ile kendiniz deneyin.

Başlamadan önce

Bu API, Android API düzeyi 19 veya üzeridir. Uygulamanızın derleme dosyasının 19 veya daha yüksek bir minSdkVersion değeri kullandığından emin olun.

Proje düzeyindeki build.gradle dosyanıza, Google'ın Maven deposunu hem buildscript hem de allprojects bölümlerine ekleyin.

ML Kit Android kitaplıklarının bağımlılarını, modülünüzün genellikle app/build.gradle olan Gradle dosyasına ekleyin. İhtiyaçlarınıza bağlı olarak aşağıdaki bağımlılıklardan birini seçin:

Modeli uygulamanızla birlikte gruplandırmak için:

dependencies {
  // ...
  // Use this dependency to bundle the model with your app
  implementation 'com.google.mlkit:face-detection:16.1.5'
}

Modeli Google Play Hizmetleri'nde kullanmak için:

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'
}

Modeli Google Play Hizmetleri'nde kullanmayı seçerseniz uygulamanızı Play Store'dan yüklendikten sonra modeli otomatik olarak cihaza indirecek şekilde yapılandırabilirsiniz. Bunu yapmak için aşağıdaki beyanı uygulamanızın AndroidManifest.xml dosyasına ekleyin:
```
<application ...>
      ...
      <meta-data
          android:name="com.google.mlkit.vision.DEPENDENCIES"
          android:value="face" >
      
</application>
```
Ayrıca modelin kullanılabilirliğini açık bir şekilde kontrol edebilir ve Google Play Hizmetleri ModuleInstallClient API'si üzerinden indirme isteğinde bulunabilirsiniz.

Yükleme sırasında model indirmeyi etkinleştirmez veya açık indirme isteğinde bulunmazsanız model, algılayıcıyı ilk kez çalıştırdığınızda indirilir. İndirme tamamlanmadan önce yaptığınız istekler sonuç vermez.

Giriş resmi yönergeleri

Yüz tanıma için, en az 480x360 piksel boyutunda bir resim kullanmanız gerekir. ML Kit'in yüzleri doğru şekilde algılaması için giriş resimleri yeterli piksel verisi tarafından temsil edilen yüzler içermelidir. Genel olarak, bir resimde tespit etmek istediğiniz her yüz en az 100x100 piksel olmalıdır. Yüzlerin kıvrımlarını tespit etmek istiyorsanız ML Kit'in daha yüksek çözünürlüklü girişi gerekir: Her yüzü en az 200x200 piksel olmalıdır.

Yüzleri gerçek zamanlı bir uygulamada algılıyorsanız giriş resimlerinin genel boyutlarını da dikkate almak isteyebilirsiniz. Küçük resimler daha hızlı işlenebilir. Bu nedenle, gecikmeyi azaltmak için görüntüleri daha düşük çözünürlüklerde yakalayın. Ancak yukarıdaki doğruluk koşullarını göz önünde bulundurun ve öznenin yüzünün resmin mümkün olduğunca fazla yer kaplamasını sağlayın. Ayrıca gerçek zamanlı performansı artırmak için ipuçlarına bakın.

Düşük resim odağı da doğruluğu etkileyebilir. Kabul edilebilir sonuçlar alamazsanız kullanıcıdan resmi yeniden yakalamasını isteyin.

Bir yüzün kameraya göre yönü de ML Kit'in algıladığı yüz özelliklerini etkileyebilir. Yüz Algılama Kavramları sayfasını inceleyin.

1. Yüz algılayıcıyı yapılandırma

Bir resme yüz algılama uygulamadan önce, yüz algılayıcının varsayılan ayarlarından birini değiştirmek isterseniz bu ayarları bir FaceDetectorOptions nesnesiyle belirtin. Aşağıdaki ayarları değiştirebilirsiniz:

Ayarlar
`setPerformanceMode`	`PERFORMANCE_MODE_FAST` (varsayılan) \| `PERFORMANCE_MODE_ACCURATE` Yüzleri algılarken hızı veya doğruluğu tercih edin.
`setLandmarkMode`	`LANDMARK_MODE_NONE` (varsayılan) \| `LANDMARK_MODE_ALL` Yüzdeki "önemli noktaları" (ör. gözler, kulaklar, burun, yanak, ağız vb.) belirlemeye çalışmak.
`setContourMode`	`CONTOUR_MODE_NONE` (varsayılan) \| `CONTOUR_MODE_ALL` Yüz özelliklerinin konturlarının algılanıp algılanmayacağı. Konturlar, yalnızca görüntülerdeki en belirgin yüzler için algılanır.
`setClassificationMode`	`CLASSIFICATION_MODE_NONE` (varsayılan) \| `CLASSIFICATION_MODE_ALL` Yüzlerin "gülümseme" ve "görme açık" gibi kategorilerde sınıflandırılması gerekip gerekmediği.
`setMinFaceSize`	`float` (varsayılan: `0.1f`) Kafanın genişliğinin resmin genişliğine oranı olarak, istenen en küçük yüz boyutunu ayarlar.
`enableTracking`	`false` (varsayılan) \| `true` Yüzlere, bir kimlik atanıp atanmayacağı, resimlerdeki yüzleri izlemek için kullanılabilir. Kontur algılama etkinleştirildiğinde yalnızca bir yüz algılandığı için yüz izleme faydalı sonuçlar vermez. Bu nedenle ve algılama hızını artırmak için hem kontur algılamayı hem de yüz izlemeyi etkinleştirmeyin.

Örnek:

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. Giriş resmini hazırlayın

Bir görüntüdeki yüzleri algılamak için Bitmap, media.Image, ByteBuffer, bayt dizisi veya cihazdaki bir dosyadan InputImage nesnesi oluşturun. Ardından, InputImage nesnesini FaceDetector öğesinin process yöntemine geçirin.

Yüz algılama için, en az 480x360 piksel boyutunda bir resim kullanmanız gerekir. Yüzleri gerçek zamanlı olarak algılıyorsanız kareleri bu minimum çözünürlükte yakalamanız gecikmeyi azaltabilir.

Farklı kaynaklardan InputImage nesnesi oluşturabilirsiniz. Her nesne aşağıda açıklanmıştır.

`media.Image` kullanılıyor

Bir cihazın kamerasından resim yakaladığınızda (ör. bir cihazın kamerasından yakaladığınızda) bir media.Image nesnesinden InputImage nesnesi oluşturmak için media.Image nesnesini ve resmin InputImage.fromMediaImage() yönünü döndürmesini iletin.

CameraX kitaplığını kullanırsanız OnImageCapturedListener ve ImageAnalysis.Analyzer sınıfları sizin için rotasyon değerini hesaplar.

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
          // ...
        }
    }
}

Görüntünün döndürülme derecesini veren bir kamera kitaplığı kullanmıyorsanız bunu, cihazın döndürme derecesinden ve cihazdaki kamera sensörünün yönüne göre hesaplayabilirsiniz:

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;
}

Ardından media.Image nesnesini ve döndürme derecesi değerini InputImage.fromMediaImage() değerine iletin:

Kotlin

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

Java

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

Dosya URI'si kullanma

Dosya URI'sinden InputImage nesnesi oluşturmak için uygulama bağlamını ve dosya URI'sini InputImage.fromFilePath() öğesine iletin. Bu, kullanıcıdan galeri uygulamasından bir resim seçmesini istemek için bir ACTION_GET_CONTENT niyeti kullandığınızda kullanışlıdır.

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` veya `ByteArray` kullanma

ByteBuffer veya ByteArray öğesinden bir InputImage nesnesi oluşturmak için önce resim döndürme derecesini media.Image girişinde açıklandığı gibi hesaplayın. Ardından, arabellek veya diziyle birlikte InputImage nesnesini resmin yüksekliği, genişliği, renk kodlama biçimi ve döndürme derecesiyle oluşturun:

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` kullanılıyor

Bir Bitmap nesnesinden InputImage nesnesi oluşturmak için aşağıdaki beyanı oluşturun:

Kotlin

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

Java

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

Resim, döndürme dereceleriyle birlikte bir Bitmap nesnesiyle gösterilir.

3. FaceDetector örneğini alma

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. Resmi işleyin

Görüntüyü process yöntemine geçirin:

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

Not: CameraX API'sini kullanıyorsanız işlemi tamamladıktan sonra ImageProxy yöntemini kapattığınızdan emin olun (ör. process yönteminden döndürülen Task işlevine OnCompleteListener ekleyerek). Örnek görmek için hızlı başlangıç örneği uygulamasındaki VisionProcessorBase bölümüne bakın.

5. Algılanan yüzler hakkında bilgi alın

Yüz algılama işlemi başarılı olursa başarı işleyiciye bir Face nesnesi listesi iletilir. Her Face nesnesi, resimde algılanan bir yüzü temsil eder. Her yüz için sınır koordinatlarını giriş resminde ve yüz algılayıcısını bulacak şekilde yapılandırdığınız diğer tüm bilgilerde bulabilirsiniz. Örnek:

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

Yüz konturları örneği

Yüz konturu algılamayı algıladığınızda, algılanan her yüz özelliği için bir nokta listesi alırsınız. Bu noktalar özelliğin şeklini temsil eder. Konturların nasıl temsil edildiğiyle ilgili ayrıntılar için Yüz Algılama Kavramları bölümüne göz atın.

Aşağıdaki resimde bu noktaların bir yüzle nasıl eşleştiği gösterilmektedir. Büyütmek için resmi tıklayın:

Gerçek zamanlı yüz algılama

Yüz algılamayı gerçek zamanlı bir uygulamada kullanmak istiyorsanız en iyi kare hızlarına ulaşmak için şu yönergeleri uygulayın:

Yüz algılamayı, yüz konturu algılama veya sınıflandırma ve önemli nokta algılama özelliklerini kullanacak şekilde yapılandırın. İkisini birden kullanmayın:

Kontur algılama
Önemli nokta algılama
Sınıflandırma
Önemli nokta algılama ve sınıflandırma
Kontur algılama ve önemli nokta algılama
Kontur algılama ve sınıflandırma
Kontur algılama, önemli nokta algılama ve sınıflandırma
FAST modunu etkinleştirin (varsayılan olarak etkindir).
Resimleri daha düşük çözünürlükte çekmeyi düşünebilirsiniz. Ancak, bu API'nin resim boyutu gereksinimlerini de unutmayın.

Camera veya camera2 API'yi kullanıyorsanız algılayıcıya yapılan çağrıları azaltır. Algılayıcı çalışırken yeni bir video çerçevesi kullanılabilir hale gelirse çerçeveyi bırakın. Örnek için hızlı başlangıç örneği uygulamasındaki VisionProcessorBase sınıfını inceleyin.

CameraX API'yi kullanıyorsanız geri baskı stratejisinin ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST varsayılan değerine ayarlandığından emin olun. Bu, tek seferde yalnızca bir resmin analiz için teslim edileceğini garanti eder. Analiz aracı meşgul olduğunda daha fazla resim üretilirse otomatik olarak çıkarılır ve sıraya alınmaz. Analiz edilen görüntü ImageProxy.close() çağrısıyla kapatıldıktan sonra, en son görüntü gönderilir.

Algılayıcının çıkışını giriş resmine yer paylaşımlı olarak eklemek için kullanıyorsanız önce ML Kit'ten sonucu alın, ardından resmi ve yer paylaşımını tek bir adımda oluşturun. Bu işlem, her bir giriş çerçevesi için görüntü yüzeyine yalnızca bir kez oluşturulur. Örnek için hızlı başlangıç örneği uygulamasındaki CameraSourcePreview ve GraphicOverlay sınıflarını inceleyin.

Camera2 API'sini kullanıyorsanız resimleri ImageFormat.YUV_420_888 biçiminde çekin. Eski Camera API'yi kullanıyorsanız görüntüleri ImageFormat.NV21 biçiminde çekin.

Android'de ML Kit ile yüzleri algılama

Deneyin

Başlamadan önce

Giriş resmi yönergeleri

1. Yüz algılayıcıyı yapılandırma

Kotlin

Java

2. Giriş resmini hazırlayın

media.Image kullanılıyor

Kotlin

Java

Kotlin

Java

Kotlin

Java

Dosya URI'si kullanma

Kotlin

Java

ByteBuffer veya ByteArray kullanma

Kotlin

Java

Bitmap kullanılıyor

Kotlin

Java

3. FaceDetector örneğini alma

Kotlin

Java

4. Resmi işleyin

Kotlin

Java

5. Algılanan yüzler hakkında bilgi alın

Kotlin

Java

Yüz konturları örneği

Gerçek zamanlı yüz algılama

`media.Image` kullanılıyor

`ByteBuffer` veya `ByteArray` kullanma

`Bitmap` kullanılıyor