אפשר להוסיף תוויות לתמונות באמצעות מודל שעבר אימון של AutoML ב-Android
אחרי שמאמנים את המודל באמצעות AutoML Vision Edge, אפשר להשתמש בו באפליקציה כדי להוסיף תוויות לתמונות. יש שתי דרכים לשלב מודלים שהוכשרו מ-AutoML Vision Edge: אפשר לקבץ את המודל על ידי הצבתו בתיקיית הנכסים של האפליקציה, או להוריד אותו באופן דינמי מ-Firebase.אפשרויות של קיבוץ דגמים | |
---|---|
מקובצות באפליקציה שלך |
|
אירוח באמצעות Firebase |
|
אני רוצה לנסות
- אפשר לנסות את האפליקציה לדוגמה כדי לראות דוגמה לשימוש ב-API הזה.
לפני שמתחילים
1. בקובץbuild.gradle
ברמת הפרויקט, חשוב לכלול את מאגר Maven של Google בקטע buildscript
וגם בקטע allprojects
.2. מוסיפים את יחסי התלות של ספריות ML Kit ל-Android לקובץ ה-GRid של המודול, שהוא בדרך כלל
app/build.gradle
:
כדי לקבץ מודל עם האפליקציה:
dependencies { // ... // Image labeling feature with bundled automl model implementation 'com.google.mlkit:image-labeling-automl:16.2.1' }להורדה דינמית של מודל מ-Firebase, מוסיפים את התלות
linkFirebase
:
dependencies { // ... // Image labeling feature with automl model downloaded // from firebase implementation 'com.google.mlkit:image-labeling-automl:16.2.1' implementation 'com.google.mlkit:linkfirebase:16.0.1' }3. אם רוצים להוריד מודל, חשוב להוסיף את Firebase לפרויקט Android, אם עדיין לא עשיתם זאת. לא חייבים לעשות זאת כשמקבצים את המודל.
1. טעינת המודל
הגדרת מקור למודל מקומי
כדי להוסיף את המודל לאפליקציה:1. מחלצים את המודל ואת המטא-נתונים שלו מארכיון ה-ZIP שהורדתם ממסוף Firebase. מומלץ להשתמש בקבצים כפי שהורדתם אותם, בלי לשנות אותם (כולל שמות הקבצים).
2. כוללים את המודל ואת קובצי המטא-נתונים שלו בחבילת האפליקציה:
א. אם אין בפרויקט תיקיית נכסים, כדי ליצור תיקיית נכסים לוחצים לחיצה ימנית על התיקייה
app/
ואז לוחצים על New > Folder > Assets Folder.ב. יוצרים תיקיית משנה בתיקיית הנכסים כדי שתכיל את קובצי המודלים.
ג. מעתיקים את הקבצים
model.tflite
, dict.txt
ו-manifest.json
לתיקיית המשנה (כל שלושת הקבצים צריכים להיות באותה תיקייה).3. צריך להוסיף את הקוד הבא לקובץ
build.gradle
של האפליקציה כדי
לוודא
ש-Gradle לא ידחס את קובץ המודל במהלך פיתוח האפליקציה:
android { // ... aaptOptions { noCompress "tflite" } }קובץ המודל ייכלל בחבילת האפליקציה ויהיה זמין ל-ML Kit כנכס גולמי.
הערה: החל מגרסה 4.1 של הפלאגין Android Gradle, קובץ .tflite יתווסף לרשימת noCompress כברירת מחדל, ואין יותר צורך בהרשאה שלמעלה.
4. יוצרים אובייקט
LocalModel
ומציינים את הנתיב לקובץ המניפסט של המודל:
Kotlin
val localModel = AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("manifest.json") // or .setAbsoluteFilePath(absolute file path to manifest file) .build()
Java
AutoMLImageLabelerLocalModel localModel = new AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("manifest.json") // or .setAbsoluteFilePath(absolute file path to manifest file) .build();
הגדרת מקור מודל שמתארח ב-Firebase
כדי להשתמש במודל באירוח מרוחק, צריך ליצור אובייקט RemoteModel
ולציין את השם שהקציתם למודל כשפרסמתם אותו:
Kotlin
// Specify the name you assigned in the Firebase console. val remoteModel = AutoMLImageLabelerRemoteModel.Builder("your_model_name").build()
Java
// Specify the name you assigned in the Firebase console. AutoMLImageLabelerRemoteModel remoteModel = new AutoMLImageLabelerRemoteModel.Builder("your_model_name").build();
לאחר מכן, מתחילים את המשימה של הורדת המודל, ומציינים את התנאים שבהם רוצים לאפשר הורדה. אם המודל לא נמצא במכשיר, או אם יש גרסה חדשה יותר שלו, תתבצע במשימה הורדה אסינכרונית של המודל מ-Firebase:
Kotlin
val downloadConditions = DownloadConditions.Builder() .requireWifi() .build() RemoteModelManager.getInstance().download(remoteModel, downloadConditions) .addOnSuccessListener { // Success. }
Java
DownloadConditions downloadConditions = new DownloadConditions.Builder() .requireWifi() .build(); RemoteModelManager.getInstance().download(remoteModel, downloadConditions) .addOnSuccessListener(new OnSuccessListener() { @Override public void onSuccess(@NonNull Task task) { // Success. } });
אפליקציות רבות מתחילות את משימת ההורדה בקוד האתחול שלהן, אבל אתם יכולים לעשות זאת בכל שלב לפני שאתם צריכים להשתמש במודל.
יצירת מתייג תמונות מהמודל
אחרי שמגדירים את מקורות המודל, יוצרים אובייקט ImageLabeler
מאחד מהם.
אם יש לכם רק מודל בחבילה מקומית, פשוט יוצרים מתייג מהאובייקט AutoMLImageLabelerLocalModel
ומגדירים את ערך הסף של ציון המהימנות הרצוי (מידע נוסף זמין בקטע הערכת המודל):
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)
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)
אם יש לכם מודל שמתארח מרחוק, צריך לבדוק שהוא הורד לפני שמפעילים אותו. אפשר לבדוק את הסטטוס של המשימה להורדת המודל באמצעות השיטה isModelDownloaded()
של מנהל המודלים.
למרות שצריך לאשר זאת רק לפני הרצת המתייג, אם יש לכם גם מודל באירוח מרחוק וגם מודל בחבילה מקומית, יכול להיות שכדאי לבצע את הבדיקה הזו כשיוצרים מתייג התמונות: יוצרים מתייג מהמודל המרוחק אם הוא הורד, ומהמודל המקומי אחרת.
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) }
Java
RemoteModelManager.getInstance().isModelDownloaded(remoteModel) .addOnSuccessListener(new OnSuccessListener() { @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); } });
אם יש לכם רק מודל באירוח מרוחק, צריך להשבית את הפונקציונליות שקשורה למודל – למשל, להציג באפור או להסתיר חלק בממשק המשתמש – עד שמוודאים שהמודל הורד. כדי לעשות את זה, אפשר לצרף מאזין ל-method download()
של מנהל המודלים:
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. }
Java
RemoteModelManager.getInstance().download(remoteModel, conditions) .addOnSuccessListener(new OnSuccessListener() { @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. } });
2. הכנת תמונת הקלט
לאחר מכן, לכל תמונה שרוצים להוסיף לה תווית, יוצרים אובייקט InputImage
מהתמונה. מתייג התמונות פועל מהר יותר כשמשתמשים ב-Bitmap
, או אם משתמשים ב-API של מצלמה2, ב-YUV_420_888 media.Image
, מומלץ כשאפשר.
ניתן ליצור אובייקט InputImage
ממקורות שונים. בהמשך מוסבר על כל אחד מהם.
באמצעות media.Image
כדי ליצור אובייקט InputImage
מאובייקט media.Image
, למשל כשמצלמים תמונה ממצלמת המכשיר, צריך להעביר את האובייקט media.Image
ואת הסיבוב של התמונה אל InputImage.fromMediaImage()
.
אם משתמשים בספריית
CameraX, המחלקות OnImageCapturedListener
ו-ImageAnalysis.Analyzer
מחשבים את ערך הסיבוב בשבילכם.
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 // ... } } }
אם לא משתמשים בספריית מצלמה כדי לקבל את מידת הסיבוב של התמונה, אפשר לחשב אותה לפי מידת הסיבוב של המכשיר והכיוון של חיישן המצלמה במכשיר:
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 }
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; }
לאחר מכן מעבירים את האובייקט media.Image
ואת
ערך מעלה הסיבוב ל-InputImage.fromMediaImage()
:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
שימוש ב-URI של קובץ
כדי ליצור אובייקט InputImage
מ-URI של קובץ, מעבירים את ההקשר של האפליקציה ואת ה-URI של הקובץ אל InputImage.fromFilePath()
. האפשרות הזו שימושית כשמשתמשים ב-Intent של ACTION_GET_CONTENT
כדי לבקש מהמשתמשים לבחור תמונה מאפליקציית הגלריה.
Kotlin
val image: InputImage try { image = InputImage.fromFilePath(context, uri) } catch (e: IOException) { e.printStackTrace() }
Java
InputImage image; try { image = InputImage.fromFilePath(context, uri); } catch (IOException e) { e.printStackTrace(); }
באמצעות ByteBuffer
או ByteArray
כדי ליצור אובייקט InputImage
מ-ByteBuffer
או מ-ByteArray
, קודם צריך לחשב את מעלות סיבוב התמונה כפי שתואר קודם עבור קלט media.Image
.
לאחר מכן יוצרים את האובייקט InputImage
עם מאגר הנתונים הזמני או המערך, יחד עם הגובה, הרוחב, פורמט קידוד הצבע ומידת הסיבוב של התמונה:
Kotlin
val image = InputImage.fromByteBuffer( byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ) // Or: val image = InputImage.fromByteArray( byteArray, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 )
Java
InputImage image = InputImage.fromByteBuffer(byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ); // Or: InputImage image = InputImage.fromByteArray( byteArray, /* image width */480, /* image height */360, rotation, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 );
באמצעות Bitmap
כדי ליצור אובייקט InputImage
מאובייקט Bitmap
, צריך להשתמש בהצהרה הבאה:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
התמונה מיוצגת על ידי אובייקט Bitmap
יחד עם מעלות סיבוב.
3. הרצה של מתייג התמונות
כדי להוסיף תוויות לאובייקטים בתמונה, צריך להעביר את האובייקטimage
ל-method process()
של ImageLabeler
.
Kotlin
labeler.process(image) .addOnSuccessListener { labels -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
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 // ... } });
4. קבלת מידע על אובייקטים מתויגים
אם הפעולה של הוספת כיתוב לתמונה מצליחה, רשימה של אובייקטים מסוג ImageLabel
מועברת ל-listener. כל אובייקט ImageLabel
מייצג משהו שמתויג בתמונה. תוכלו לראות את תיאור הטקסט של כל תווית, את דירוג המהימנות של ההתאמה ואת האינדקס של ההתאמה.
למשל:
Kotlin
for (label in labels) { val text = label.text val confidence = label.confidence val index = label.index }
Java
for (ImageLabel label : labels) { String text = label.getText(); float confidence = label.getConfidence(); int index = label.getIndex(); }
טיפים לשיפור הביצועים בזמן אמת
אם אתם רוצים להוסיף תוויות לתמונות באפליקציה בזמן אמת, בצעו את ההנחיות הבאות כדי לשמור על קצב הפריימים הטוב ביותר:
- אם משתמשים ב-API של
Camera
או שלcamera2
, אפשר לווסת קריאות למתייג התמונות. אם בזמן שמתייג התמונות פועל פריים חדש, צריך לשחרר אותו. כדי לראות דוגמה, אפשר לעיין בכיתהVisionProcessorBase
באפליקציה לדוגמה של המדריך למתחילים. - אם אתם משתמשים ב-
CameraX
API, חשוב לוודא ששיטת הלחץ הזמני מוגדרת לערך ברירת המחדל שלהImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
. כך אפשר להבטיח שרק תמונה אחת תוצג לניתוח בכל פעם. אם נוצרות תמונות נוספות כשהניתוח עמוס, הן יושמטו באופן אוטומטי ולא ימתינו בתור למשלוח. לאחר סגירת התמונה שמנותחת על ידי קריאה ל-ImageProxy.close(), תוצג התמונה העדכנית ביותר הבאה. - אם משתמשים בפלט של מתייג התמונות כדי להציג שכבת-על של גרפיקה על תמונת הקלט, קודם צריך לקבל את התוצאה מ-ML Kit, ואז לעבד את התמונה
ואת שכבת-העל בשלב אחד. הפעולה הזו מעבדת את הנתונים על פני השטח של התצוגה
פעם אחת בלבד לכל מסגרת קלט. כדי לראות דוגמה, אפשר לעיין בכיתות
CameraSourcePreview
ו-GraphicOverlay
באפליקציה לדוגמה של המדריך למתחילים. - אם משתמשים ב- Camera2 API, צריך לצלם תמונות
בפורמט
ImageFormat.YUV_420_888
. אם משתמשים בגרסה הישנה של Camera API, צריך לצלם תמונות בפורמטImageFormat.NV21
.