Android'de resimleri özel modelle etiketleme

Bir resimdeki varlıkları tanımak ve etiketlemek için ML Kit'i kullanabilirsiniz. Bu API, çok çeşitli özel resim sınıflandırma modellerini destekler. Model uyumluluk şartları, önceden eğitilmiş modellerin nerede bulunacağı ve kendi modellerinizin nasıl eğitileceği ile ilgili bilgiler için lütfen ML Kiti ile özel modeller bölümüne bakın.

Görüntü etiketlemeyi özel modellerle entegre etmenin iki yolu vardır: uygulamanızın bir parçası olarak ardışık düzeni paket haline getirmek veya Google Play Hizmetleri'ne bağlı ve paket halinde olmayan bir ardışık düzen kullanmak. Pakete dahil edilmemiş ardışık düzeni seçerseniz uygulamanız daha küçük olur. Ayrıntılar için aşağıdaki tabloya bakın.

	Gruplandırılanlar	Grup halinde olmayanlar
Kitaplık adı	com.google.mlkit:image-labeling-custom	com.google.android.gms:play-services-mlkit-image-labeling-custom
Uygulama	Ardışık düzen, derleme sırasında uygulamanıza statik olarak bağlanır.	Ardışık düzen, Google Play Hizmetleri üzerinden dinamik olarak indirilir.
Uygulama boyutu	Yaklaşık 3,8 MB boyut artışı.	Yaklaşık 200 KB boyut artışı.
Başlatma süresi	Ardışık düzen hemen kullanılabilir.	İlk kullanımdan önce ardışık düzenin indirilmesini beklemeniz gerekebilir.
API yaşam döngüsü aşaması	Genel Kullanım (GA)	Beta

Not: Özel modelleri olan resim etiketlemenin paket halinde sunulan sürümü şu anda beta sürümünde sunulmaktadır. Bu nedenle, sürüm geriye dönük olarak uyumsuz şekilde değişebilir ve herhangi bir HDS veya kullanımdan kaldırma politikasına tabi değildir.

Özel modeli entegre etmenin iki yolu vardır: Modelinizi uygulamanızın öğe klasörüne yerleştirerek paketleyin veya Firebase'den dinamik olarak indirin. Aşağıdaki tabloda bu iki seçenek karşılaştırılmaktadır.

Gruplandırılmış Model	Barındırılan Model
Model, uygulamanızın APK'sının bir parçası olduğu için boyutunu artırır.	Model, APK'nızın parçası değildir. Barındırılan Firebase Makine Öğrenimi.
Model, Android cihaz çevrimdışı olsa bile hemen kullanılabilir	Model isteğe bağlı olarak indirildi
Firebase projesi gerekmez	Firebase projesi gerektirir
Modeli güncellemek için uygulamanızı yeniden yayınlamanız gerekir	Model güncellemelerini uygulamanızı yeniden yayınlamadan aktarın
Yerleşik A/B testi yok	Firebase Remote Config ile kolay A/B testi

Deneyin

• Paketlenmiş modelin örnek kullanımı için vision quickstart uygulamasına ve barındırılan modelin örnek kullanımı için automl hızlı başlangıç uygulamasına bakın.

Başlamadan önce

1. Proje düzeyindeki build.gradle dosyanıza, Google'ın Maven deposunu hem buildscript hem de allprojects bölümlerinize eklediğinizden emin olun.

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

   Ardışık düzeni uygulamanızla birlikte gruplandırmak için:

   dependencies {
     // ...
     // Use this dependency to bundle the pipeline with your app
     implementation 'com.google.mlkit:image-labeling-custom:17.0.1'
   }
   

   Google Play Hizmetleri'nde ardışık düzeni kullanmak için:

   dependencies {
     // ...
     // Use this dependency to use the dynamically downloaded pipeline in Google Play Services
     implementation 'com.google.android.gms:play-services-mlkit-image-labeling-custom:16.0.0-beta4'
   }
   

3. Google Play Hizmetleri'nde ardışık düzeni kullanmayı seçerseniz uygulamanızı Play Store'dan yükledikten sonra ardışık düzeni cihaza otomatik olarak indirecek şekilde uygulamanızı yapılandırabilirsiniz. Bunu yapmak için uygulamanızın AndroidManifest.xml dosyasına aşağıdaki beyanı ekleyin:

   <application ...>
       ...
       <meta-data
           android:name="com.google.mlkit.vision.DEPENDENCIES"
           android:value="custom_ica" />
       <!-- To use multiple downloads: android:value="custom_ica,download2,download3" -->
   </application>
   

   Ayrıca, ardışık düzen kullanılabilirliğini açık bir şekilde kontrol edebilir ve Google Play Hizmetleri ModuleInstallClient API aracılığıyla indirme isteğinde bulunabilirsiniz.

   Yükleme sırasında ardışık düzen indirmelerini etkinleştirmezseniz veya açık bir şekilde indirme isteğinde bulunmazsanız ardışık düzen, etiketleyiciyi ilk çalıştırdığınızda indirilir. İndirme tamamlanmadan önce yaptığınız istekler sonuç vermez.

4. Bir modeli Firebase'den dinamik olarak indirmek istiyorsanız linkFirebase bağımlısını ekleyin:

   Bir modeli Firebase'den dinamik olarak indirmek için linkFirebase bağımlılığını ekleyin:

   dependencies {
     // ...
     // Image labeling feature with model downloaded from Firebase
     implementation 'com.google.mlkit:image-labeling-custom:17.0.1'
     // Or use the dynamically downloaded pipeline in Google Play Services
     // implementation 'com.google.android.gms:play-services-mlkit-image-labeling-custom:16.0.0-beta4'
     implementation 'com.google.mlkit:linkfirebase:17.0.0'
   }
   

5. Model indirmek istiyorsanız henüz yapmadıysanız Firebase'i Android projenize eklediğinizden emin olun. Modeli paket haline getirirken bu gerekli değildir.

1. Modeli yükle

Yerel model kaynağını yapılandırma

Modeli uygulamanızla birlikte paketlemek için:

1. Model dosyasını (genellikle .tflite veya .lite ile biten) uygulamanızın assets/ klasörüne kopyalayın. (Önce app/ klasörünü sağ tıkladıktan sonra Yeni > Klasör > Öğeler Klasörü'ni tıklayarak klasörü oluşturmanız gerekebilir.)

2. Ardından, Gradle'ın uygulamayı oluştururken model dosyasını sıkıştırmadığından emin olmak için uygulamanızın build.gradle dosyasına aşağıdaki bilgileri ekleyin:

   android {
       // ...
       aaptOptions {
           noCompress "tflite"
           // or noCompress "lite"
       }
   }
   

   Model dosyası uygulama paketine dahil edilir ve makine öğrenimi tarafından ham öğe olarak kullanılabilir.

   Not: Android Gradle eklentisinin 4.1 sürümünden itibaren, .tflite varsayılan olarak no sıkıştırma listesine eklenir ve yukarıdakiler artık gerekli değildir.

3. Model dosyasının yolunu belirterek LocalModel nesnesi oluşturun:

   Kotlin

   val localModel = LocalModel.Builder()
           .setAssetFilePath("model.tflite")
           // or .setAbsoluteFilePath(absolute file path to model file)
           // or .setUri(URI to model file)
           .build()

   Java

   LocalModel localModel =
       new LocalModel.Builder()
           .setAssetFilePath("model.tflite")
           // or .setAbsoluteFilePath(absolute file path to model file)
           // or .setUri(URI to model file)
           .build();

   Not: Android 11'i (API düzeyi 30) hedefleyen uygulamalar, Android 11'deki depolama alanı güncellemeleri nedeniyle artık harici depolama alanındaki dosyalara erişemez.
   Not: Firebase'de AutoML Vision Edge (Google Cloud değil) ile eğitilmiş bir modeliniz varsa yukarıdaki yöntemler çalışmayabilir. Talimatlar için lütfen taşıma rehberini takip edin.

Firebase tarafından barındırılan model kaynağını yapılandırma

Uzaktan barındırılan modeli kullanmak için FirebaseModelSource aracılığıyla bir RemoteModel nesnesi oluşturun ve modeli yayınlarken verdiğiniz adı belirtin:

Kotlin

// Specify the name you assigned in the Firebase console.
val remoteModel =
    CustomRemoteModel
        .Builder(FirebaseModelSource.Builder("your_model_name").build())
        .build()

Java

// Specify the name you assigned in the Firebase console.
CustomRemoteModel remoteModel =
    new CustomRemoteModel
        .Builder(new FirebaseModelSource.Builder("your_model_name").build())
        .build();

Ardından, indirmeye izin vermek istediğiniz koşulları belirterek model indirme görevini başlatın. Model cihazda yoksa veya modelin daha yeni bir sürümü varsa görev, modeli Firebase'den eşzamansız olarak indirir:

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.
            }
        });

Birçok uygulama, indirme görevini ilk kullanıma hazırlama kodunda başlatır. Ancak, modeli kullanmaya başlamadan önce bu işlemi dilediğiniz zaman yapabilirsiniz.

Resim etiketleyiciyi yapılandırma

Model kaynaklarınızı yapılandırdıktan sonra birinden ImageLabeler nesnesi oluşturun.

Aşağıdaki seçenekler kullanılabilir:

Seçenekler
confidenceThreshold	Algılanan etiketlerin minimum güven puanı. Ayarlanmazsa modelin meta verileri tarafından belirtilen tüm sınıflandırıcı eşikleri kullanılır. Model herhangi bir meta veri içermiyorsa veya meta veriler bir sınıflandırıcı eşiği belirtmiyorsa varsayılan eşik olan 0, 0 kullanılır.
maxResultCount	Döndürülecek maksimum etiket sayısı. Politika ayarlanmazsa varsayılan değer olan 10 kullanılır.

Yalnızca yerel olarak paketlenmiş bir modeliniz varsa LocalModel nesnenizden bir etiket oluşturun:

Kotlin

val customImageLabelerOptions = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .setMaxResultCount(5)
    .build()
val labeler = ImageLabeling.getClient(customImageLabelerOptions)

Java

CustomImageLabelerOptions customImageLabelerOptions =
        new CustomImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.5f)
            .setMaxResultCount(5)
            .build();
ImageLabeler labeler = ImageLabeling.getClient(customImageLabelerOptions);

Uzaktan barındırılan bir modeliniz varsa, çalıştırmadan önce modelin indirilip indirilmediğini kontrol etmeniz gerekir. Model indirme görevinin durumunu, model yöneticisinin isModelDownloaded() yöntemini kullanarak kontrol edebilirsiniz.

Etiketleyiciyi çalıştırmadan önce bunu onaylamanız gerekse de hem uzaktan barındırılan modeliniz hem de yerel olarak paketlenmiş bir modeliniz varsa resim etiketleyiciyi örnek olarak uygularken bu kontrolü yapmak mantıklı olabilir: İndirilmiş olması durumunda uzak modelden ve yerel modelden bir etiketleyici oluşturun.

Kotlin

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener { isDownloaded ->
    val optionsBuilder =
        if (isDownloaded) {
            CustomImageLabelerOptions.Builder(remoteModel)
        } else {
            CustomImageLabelerOptions.Builder(localModel)
        }
    val options = optionsBuilder
                  .setConfidenceThreshold(0.5f)
                  .setMaxResultCount(5)
                  .build()
    val labeler = ImageLabeling.getClient(options)
}

Java

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener() {
            @Override
            public void onSuccess(Boolean isDownloaded) {
                CustomImageLabelerOptions.Builder optionsBuilder;
                if (isDownloaded) {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(remoteModel);
                } else {
                    optionsBuilder = new CustomImageLabelerOptions.Builder(localModel);
                }
                CustomImageLabelerOptions options = optionsBuilder
                    .setConfidenceThreshold(0.5f)
                    .setMaxResultCount(5)
                    .build();
                ImageLabeler labeler = ImageLabeling.getClient(options);
            }
        });

Yalnızca uzaktan barındırılan bir modeliniz varsa, modelin indirildiğini onaylayana kadar modelle ilgili işlevleri (ör. devre dışı bırakma veya kullanıcı arayüzünüzün bir kısmını gizleme) devre dışı bırakmanız gerekir. Bunu, model yöneticisinin download() yöntemine bir dinleyici ekleyerek yapabilirsiniz:

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. Giriş resmini hazırlayın

Ardından, etiketlemek istediğiniz her resim için resminizden bir InputImage nesnesi oluşturun. Bitmap veya kamera2 API'sini kullanıyorsanız mümkün olduğunda önerilen YUV_420_888media.Image kullanan resim etiketi en hızlı çalışır.

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. Resim etiketleyiciyi çalıştırın

Bir resimdeki nesneleri etiketlemek için image nesnesini ImageLabeler öğesinin process() yöntemine geçirin.

Kotlin

labeler.process(image)
        .addOnSuccessListener { labels ->
            // Task completed successfully
            // ...
        }
        .addOnFailureListener { e ->
            // Task failed with an exception
            // ...
        }
ImageLabelingActivity.kt

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
                // ...
            }
        });
ImageLabelingActivity.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.

4. Etiketli varlıklar hakkında bilgi edinin

Resim etiketleme işlemi başarılı olursa başarı işleyiciye bir ImageLabel nesne listesi iletilir. Her ImageLabel nesnesi, resimde etiketlenmiş olan bir öğeyi temsil eder. Her etiketin metin açıklamasını (TensorFlow Lite model dosyasının meta verilerinde varsa), güven puanını ve dizinini alabilirsiniz. Örneğin:

Kotlin

for (label in labels) {
    val text = label.text
    val confidence = label.confidence
    val index = label.index
}
ImageLabelingActivity.kt

Java

for (ImageLabel label : labels) {
    String text = label.getText();
    float confidence = label.getConfidence();
    int index = label.getIndex();
}
ImageLabelingActivity.java

Not: ML Kit ile uyumlu olmayan bir TensorFlow Lite modeli kullanıyorsanız MlKitException#INVALID_ARGUMENT hata kodu ve neden bu özellikle uyumlu olmadığı hakkında bazı ayrıntıları içeren bir MlKitException alırsınız. Ayrıntılar için Özel Model Uyumluluk Gereksinimleri sayfasına bakın.

Gerçek zamanlı performansı artırmak için ipuçları

Resimleri gerçek zamanlı bir uygulamada etiketlemek istiyorsanız en iyi kare hızlarına ulaşmak için şu yönergeleri izleyin:

• Camera veya camera2 API'sini kullanıyorsanız resim etiketleyiciye yapılan çağrıları daraltın. Resim etiketleyici çalışırken yeni bir video çerçevesi olursa 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.
• Giriş resmine grafik yerleştirmek için görüntü etiketleyicinin çıkışını kullanırsanız 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.