Android पर एमएल किट की मदद से चेहरों की पहचान करना

ML Kit का इस्तेमाल करके, इमेज और वीडियो में चेहरों का पता लगाया जा सकता है.

यह एपीआई, अनबंडल की गई लाइब्रेरी का इस्तेमाल करके उपलब्ध है. इसे इस्तेमाल करने से पहले डाउनलोड करना ज़रूरी है. इसके अलावा, यह 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 जानने के लिए, यह गाइड देखें.

सुविधा	अनबंडल किया गया	बंडल किए गए
लागू करना	मॉडल को Google Play Services की मदद से डाइनैमिक तरीके से 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.
शुरू होने में लगने वाला समय	पहली बार इस्तेमाल करने से पहले, आपको मॉडल डाउनलोड होने का इंतज़ार करना पड़ सकता है.	मॉडल तुरंत उपलब्ध हो जाता है

इसे आज़माएं

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

शुरू करने से पहले

इस एपीआई के लिए, Android एपीआई लेवल 23 या इसके बाद का वर्शन ज़रूरी है. पक्का करें कि आपके ऐप्लिकेशन की बिल्ड फ़ाइल में, minSdkVersion की वैल्यू 23 या इससे 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 के लिए डिपेंडेंसी जोड़ें. आम तौर पर, यह फ़ाइल 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:16.1.7'
   }
   

   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 आपने Google Play Services में मॉडल का इस्तेमाल करने का विकल्प चुना है, तो अपने ऐप्लिकेशन को इस तरह कॉन्फ़िगर किया जा सकता है कि Play Store से ऐप्लिकेशन इंस्टॉल होने के बाद, मॉडल डिवाइस पर अपने-आप 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 का इस्तेमाल करके, मॉडल की उपलब्धता की जांच की जा सकती है और उसे डाउनलोड करने का अनुरोध 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 के नतीजे नहीं मिलते.

इनपुट इमेज के लिए दिशा-निर्देश

चेहरे की पहचान करने के लिए, कम से कम 480x360 पिक्सल वाली इमेज का इस्तेमाल करें. ML Kit, चेहरों की सटीक पहचान कर सके, इसके लिए इनपुट इमेज में ऐसे चेहरे होने चाहिए जिनमें ज़रूरत के मुताबिक पिक्सल डेटा हो. आम तौर पर, इमेज में मौजूद जिस चेहरे की पहचान करनी है वह कम से कम 100x100 पिक्सल का होना चाहिए. अगर आपको चेहरों के कंटूर का पता लगाना है, तो ML Kit को ज़्यादा रिज़ॉल्यूशन वाले इनपुट की ज़रूरत होगी: हर चेहरे का रिज़ॉल्यूशन कम से कम 200x200 पिक्सल होना चाहिए.

अगर रीयल-टाइम ऐप्लिकेशन में चेहरों का पता लगाया जाता है, तो आपको इनपुट इमेज के कुल डाइमेंशन पर भी ध्यान देना चाहिए. छोटी इमेज को तेज़ी से प्रोसेस किया जा सकता है. इसलिए, इंतज़ार का समय कम करने के लिए, कम रिज़ॉल्यूशन वाली इमेज कैप्चर करें. हालांकि, सटीक नतीजे पाने के लिए ऊपर बताई गई ज़रूरी शर्तों को ध्यान में रखें. साथ ही, यह पक्का करें कि इमेज में सब्जेक्ट का चेहरा ज़्यादा से ज़्यादा हिस्सा कवर करे. रीयल-टाइम परफ़ॉर्मेंस को बेहतर बनाने के लिए सलाह भी देखें.

इमेज का फ़ोकस खराब होने से भी, सटीक नतीजे मिलने पर असर पड़ सकता है. अगर आपको सही नतीजे नहीं मिलते हैं, तो उपयोगकर्ता से इमेज को फिर से कैप्चर करने के लिए कहें.

कैमरे के सामने चेहरे की पोज़िशन से भी इस बात पर असर पड़ सकता है कि ML Kit, चेहरे की किन विशेषताओं का पता लगाता है. चेहरे की पहचान करने से जुड़े कॉन्सेप्ट देखें.

1. चेहरे की पहचान करने की सुविधा को कॉन्फ़िगर करना

किसी इमेज पर चेहरे की पहचान करने की सुविधा लागू करने से पहले, अगर आपको चेहरे की पहचान करने वाले टूल की किसी भी डिफ़ॉल्ट सेटिंग में बदलाव करना है, तो FaceDetectorOptions ऑब्जेक्ट की मदद से 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, तेज़ी से या सटीक तरीके से पहचान करने की सुविधा को प्राथमिकता दें.
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 कंटूर का पता लगाना है या नहीं. कॉन्टूर का पता, इमेज में मौजूद सबसे मुख्य चेहरे के लिए ही लगाया जाता है.
setClassificationMode	CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट) | CLASSIFICATION_MODE_ALL चेहरों को "मुस्कुराते हुए" और "खुली हुई आंखें" जैसी कैटगरी में बांटना है या नहीं.
setMinFaceSize	float (डिफ़ॉल्ट: 0.1f) यह चेहरे के सबसे छोटे साइज़ को सेट करता है. इसे इमेज की चौड़ाई और सिर की चौड़ाई के अनुपात के तौर पर दिखाया जाता है.
enableTracking	false (डिफ़ॉल्ट) | true चेहरों को आईडी असाइन करना है या नहीं. इस आईडी का इस्तेमाल, इमेज में चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि कॉन्टूर की पहचान करने की सुविधा चालू होने पर, सिर्फ़ एक चेहरे का पता लगाया जाता है. इसलिए, चेहरा ट्रैक करने की सुविधा से काम के नतीजे नहीं मिलते. इस वजह से और चेहरे का पता लगाने की स्पीड को बेहतर बनाने के लिए, कॉन्टूर का पता लगाने और चेहरा ट्रैक करने की सुविधा, 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 करना

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

चेहरे की पहचान करने के लिए, आपको कम से कम 480x360 पिक्सल डाइमेंशन वाली इमेज का इस्तेमाल करना चाहिए. अगर रीयल टाइम में चेहरों का पता लगाया जा रहा है, तो इस कम से कम रिज़ॉल्यूशन पर फ़्रेम कैप्चर करने से, इंतज़ार का समय कम करने में मदद मिल सकती है.

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

media.Image का इस्तेमाल करके

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

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 ऐसी कैमरा लाइब्रेरी का इस्तेमाल नहीं किया जाता है जो आपको इमेज के रोटेशन की डिग्री देती है, तो डिवाइस के रोटेशन की डिग्री और डिवाइस में कैमरा 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 रोटेशन डिग्री की वैल्यू को InputImage.fromMediaImage() में पास करें:

Kotlin

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

Java

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

फ़ाइल 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 ACTION_GET_CONTENT इंटेंट का इस्तेमाल करके, उपयोगकर्ता को उसके गैलरी ऐप्लिकेशन से कोई इमेज चुनने के लिए कहा 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, पहले इमेज के रोटेशन की डिग्री का हिसाब लगाएं. इसके बारे में, media.Image इनपुट के लिए पहले बताया गया है. इसके बाद, बफ़र या कलेक्शन के साथ InputImage ऑब्जेक्ट बनाएं. साथ ही, इमेज की ऊंचाई, चौड़ाई, कलर एन्कोडिंग फ़ॉर्मैट, और रोटेशन डिग्री भी जोड़ें:

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

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 Bitmap ऑब्जेक्ट और रोटेशन डिग्री के साथ 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 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 इसका इस्तेमाल पूरा होने पर ImageProxy को बंद करना न भूलें. 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 पाना

अगर चेहरे की पहचान करने की प्रोसेस पूरी हो जाती है, तो Face ऑब्जेक्ट की सूची, सक्सेस लिसनर को पास की जाती है. हर Face ऑब्जेक्ट, इमेज में पहचाने गए चेहरे को दिखाता है. हर चेहरे के लिए, आपको इनपुट इमेज में उसके बाउंडिंग कोऑर्डिनेट मिल सकते हैं. साथ ही, ऐसी कोई भी अन्य जानकारी 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 के कॉन्टूर का उदाहरण

चेहरे के कंटूर की पहचान करने की सुविधा चालू होने पर, आपको चेहरे की पहचानी गई हर विशेषता के लिए पॉइंट की सूची मिलती है. ये पॉइंट, सुविधा के आकार को दिखाते हैं. कॉन्टूर को दिखाने के तरीके के बारे में जानने के लिए, चेहरे की पहचान करने से जुड़े कॉन्सेप्ट देखें.

इस इमेज में दिखाया गया है कि ये पॉइंट, चेहरे पर कैसे मैप होते 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 अच्छे फ़्रेमरेट पाने के लिए इन दिशा-निर्देशों का पालन करें:

• चेहरे की पहचान करने वाली सुविधा को कॉन्फ़िगर करें, ताकि वह चेहरे की बनावट का पता लगाने वाली सुविधा या कैटगरी और लैंडमार्क का पता लगाने वाली सुविधा में से किसी एक का इस्तेमाल करे, दोनों का नहीं:

  कॉन्टूर की पहचान
  लैंडमार्क की पहचान
  कैटगरी
  लैंडमार्क की पहचान और कैटगरी
  कॉन्टूर की पहचान और लैंडमार्क की पहचान
  कॉन्टूर की पहचान और कैटगरी
  कॉन्टूर की पहचान, लैंडमार्क की पहचान, और कैटगरी
  

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

• कम रिज़ॉल्यूशन वाली इमेज कैप्चर करें. हालांकि, इस एपीआई के लिए इमेज के डाइमेंशन की ज़रूरी शर्तों का भी ध्यान रखें.

अगर Camera या camera2 एपीआई का इस्तेमाल किया जाता है, तो डिटेक्टर को किए जाने वाले कॉल की संख्या कम करें. अगर डिटेक्टर के चलने के दौरान कोई नया वीडियो फ़्रेम उपलब्ध होता है, तो फ़्रेम को छोड़ दें. उदाहरण के लिए, क्विकस्टार्ट सैंपल के तौर पर मिले ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

अगर CameraX एपीआई का इस्तेमाल किया जाता है, तो पक्का करें कि बैकप्रेशर रणनीति को इसकी डिफ़ॉल्ट वैल्यू ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST पर सेट किया गया हो. इससे यह पक्का होता है कि विश्लेषण के लिए, एक बार में सिर्फ़ एक इमेज भेजी जाएगी. अगर ऐनलाइज़र के व्यस्त होने पर ज़्यादा इमेज जनरेट होती हैं, तो उन्हें अपने-आप हटा दिया जाएगा. साथ ही, उन्हें डिलीवरी के लिए सूची में नहीं रखा जाएगा. ImageProxy.close() को कॉल करके, विश्लेषण की जा रही इमेज को 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, इमेज को रेंडर करें और एक ही चरण में 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.