ML Kit를 사용하여 이미지 속 항목을 인식하고 라벨을 지정할 수 있습니다. 이 API는 다양한 커스텀 이미지 분류 모델을 지원합니다. 제발 자세한 내용은 ML Kit를 사용한 맞춤 모델을 참조하세요. 모델 호환성 요구사항, 선행 학습된 모델을 찾을 수 있는 위치, 자체 모델을 학습시키는 방법을 알아봅니다.
이미지 라벨 지정을 커스텀 모델과 통합하는 방법은 두 가지입니다. 파이프라인을 앱의 일부로 또는 이에 종속되는 번들되지 않은 파이프라인을 사용하여 앱을 다운로드할 수 있습니다. 번들 해제된 파이프라인을 선택하면 더 작아집니다. 자세한 내용은 아래 표를 참고하세요.
번들 | 번들로 묶이지 않음 | |
---|---|---|
도서관 이름 | com.google.mlkit:image-labeling-custom | com.google.android.gms:play-services-mlkit-image-labeling-custom |
구현 | 파이프라인은 빌드 시간에 앱에 정적으로 연결됩니다. | 파이프라인은 Google Play 서비스를 통해 동적으로 다운로드됩니다. |
앱 크기 | 크기가 약 3.8MB 증가했습니다. | 크기가 약 200KB 늘어났습니다. |
초기화 시간 | 파이프라인을 즉시 사용할 수 있습니다. | 처음 사용하기 전에 파이프라인이 다운로드될 때까지 기다려야 할 수 있습니다. |
API 수명 주기 단계 | 정식 버전(GA) | 베타 |
커스텀 모델을 통합하는 방법에는 두 가지가 있습니다. 먼저, 커스텀 모델을 앱의 애셋 폴더에 넣거나 동적으로 다운로드합니다. 있습니다. 다음 표에서는 이 두 옵션을 비교합니다.
번들 모델 | 호스팅된 모델 |
---|---|
모델이 앱 APK에 포함되어 크기가 커집니다. | 모델이 APK의 일부가 아닙니다. 에 업로드되어 호스팅됩니다. Firebase 머신러닝. |
Android 기기가 오프라인 상태일 때도 모델을 즉시 사용할 수 있습니다. | 모델이 요청 시 다운로드됩니다. |
Firebase 프로젝트가 필요하지 않음 | Firebase 프로젝트 필요 |
모델을 업데이트하려면 앱을 다시 게시해야 합니다. | 앱을 다시 게시할 필요 없이 모델 업데이트 푸시 |
A/B 테스트 기본 제공 없음 | Firebase 원격 구성으로 간편하게 A/B 테스트 진행 |
사용해 보기
- Vision 빠른 시작 앱 보기 를 참조하세요. automl 빠른 시작 앱을 호스팅된 모델의 사용 예시입니다.
시작하기 전에
프로젝트 수준
build.gradle
파일에 다음 코드를 포함해야 합니다.buildscript
및allprojects
섹션ML Kit Android 라이브러리의 종속 항목을 모듈의 앱 수준 gradle 파일(일반적으로
app/build.gradle
임) 다음 중 하나를 선택하세요. 필요에 따라 다음과 같은 종속 항목을 설치합니다.파이프라인을 앱과 번들로 묶는 경우:
dependencies { // ... // Use this dependency to bundle the pipeline with your app implementation 'com.google.mlkit:image-labeling-custom:17.0.3' }
Google Play 서비스에서 파이프라인을 사용하는 경우:
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-beta5' }
Google Play 서비스에서 파이프라인을 사용하도록 선택한 경우 다음 작업을 할 수 있습니다. 앱을 설치한 후 자동으로 파이프라인을 기기에 다운로드하도록 Play 스토어에서 앱이 설치되어 있어야 합니다. 이렇게 하려면 다음을 추가합니다. 선언을 앱의
AndroidManifest.xml
파일에 추가합니다.<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>
또한 파이프라인 가용성을 명시적으로 확인하고 다음을 통해 다운로드를 요청할 수 있습니다. Google Play 서비스 ModuleInstallClient API
설치 시간 파이프라인 다운로드를 사용 설정하지 않거나 명시적 다운로드를 요청하지 않으면 파이프라인은 라벨러를 처음 실행할 때 다운로드됩니다. 내가 한 요청 결과가 나오지 않습니다.
다음과 같은 종속 항목을 동적으로 다운로드하려면
linkFirebase
종속 항목을 추가합니다. 있습니다.Firebase에서 모델을 동적으로 다운로드하려면
linkFirebase
종속 항목:dependencies { // ... // Image labeling feature with model downloaded from Firebase implementation 'com.google.mlkit:image-labeling-custom:17.0.3' // Or use the dynamically downloaded pipeline in Google Play Services // implementation 'com.google.android.gms:play-services-mlkit-image-labeling-custom:16.0.0-beta5' implementation 'com.google.mlkit:linkfirebase:17.0.0' }
모델을 다운로드하려면 Android 프로젝트에 Firebase 추가 확인하세요. 모델을 번들로 묶는 경우에는 이 작업이 필요하지 않습니다.
1. 모델 로드
로컬 모델 소스 구성
모델을 앱과 번들로 묶으려면 다음 안내를 따르세요.
일반적으로
.tflite
또는.lite
로 끝나는 모델 파일을 앱의assets/
폴더 (먼저app/
폴더를 마우스 오른쪽 버튼으로 클릭한 다음 신규 > 폴더 > 애셋 폴더를 클릭합니다.)그런 다음 앱의
build.gradle
파일에 다음을 추가하여 다음을 확인합니다. Gradle은 앱을 빌드할 때 모델 파일을 압축하지 않습니다.android { // ... aaptOptions { noCompress "tflite" // or noCompress "lite" } }
모델 파일이 앱 패키지에 포함되며 ML Kit에서 사용할 수 있습니다. 원시 애셋으로 저장하는 것입니다
모델 파일의 경로를 지정하여
LocalModel
객체를 만듭니다.Kotlin
val localModel = LocalModel.Builder() .setAssetFilePath("model.tflite") // or .setAbsoluteFilePath(absolute file path to model file) // or .setUri(URI to model file) .build()
자바
LocalModel localModel = new LocalModel.Builder() .setAssetFilePath("model.tflite") // or .setAbsoluteFilePath(absolute file path to model file) // or .setUri(URI to model file) .build();
Firebase 호스팅 모델 소스 구성
원격 호스팅 모델을 사용하려면 다음을 수행하여 RemoteModel
객체를 만듭니다.
FirebaseModelSource
: 학습 시 모델에 할당한 이름 지정
다음 항목을 게시:
Kotlin
// Specify the name you assigned in the Firebase console. val remoteModel = CustomRemoteModel .Builder(FirebaseModelSource.Builder("your_model_name").build()) .build()
자바
// Specify the name you assigned in the Firebase console. CustomRemoteModel remoteModel = new CustomRemoteModel .Builder(new FirebaseModelSource.Builder("your_model_name").build()) .build();
그런 다음 모델을 다운로드할 조건을 지정하여 모델 다운로드 작업을 선택합니다. 모델이 기기에 없거나 최신 사용 가능해지면 태스크는 DAG를 비동기식으로 있습니다.
Kotlin
val downloadConditions = DownloadConditions.Builder() .requireWifi() .build() RemoteModelManager.getInstance().download(remoteModel, downloadConditions) .addOnSuccessListener { // Success. }
자바
DownloadConditions downloadConditions = new DownloadConditions.Builder() .requireWifi() .build(); RemoteModelManager.getInstance().download(remoteModel, downloadConditions) .addOnSuccessListener(new OnSuccessListener() { @Override public void onSuccess(@NonNull Task task) { // Success. } });
대부분의 앱은 초기화 코드에서 다운로드 작업을 시작하지만 모델을 사용하기 전에 언제든지 이 작업을 할 수 있습니다.
이미지 라벨러 구성
모델 소스를 구성한 후 다음에서 ImageLabeler
객체를 만듭니다.
둘 중 하나입니다
사용할 수 있는 옵션은 다음과 같습니다.
옵션 | |
---|---|
confidenceThreshold
|
감지된 라벨의 최소 신뢰도 점수입니다. 설정하지 않으면 모델의 메타데이터에 지정된 분류 기준 임곗값이 사용됩니다. 모델에 메타데이터가 없거나 메타데이터가 포함되지 않은 경우 분류 기준 임곗값을 지정하면 기본 임곗값인 0.0이 있습니다. |
maxResultCount
|
반환할 최대 라벨 수입니다. 설정하지 않으면 10이 사용됩니다. |
로컬로 번들된 모델만 있다면
LocalModel
객체:
Kotlin
val customImageLabelerOptions = CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .setMaxResultCount(5) .build() val labeler = ImageLabeling.getClient(customImageLabelerOptions)
자바
CustomImageLabelerOptions customImageLabelerOptions = new CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .setMaxResultCount(5) .build(); ImageLabeler labeler = ImageLabeling.getClient(customImageLabelerOptions);
원격 호스팅 모델이 있는 경우에는 모델이
다운로드할 수 있습니다. 모델 다운로드 상태를 확인할 수 있습니다.
모델 관리자의 isModelDownloaded()
메서드를 사용하여 태스크를 수행합니다.
이는 라벨러를 실행하기 전에만 확인하면 되지만 원격 호스팅 모델과 로컬로 번들된 모델이 모두 있는 경우 이미지 레이블러를 인스턴스화할 때 이 확인 작업을 수행하는 것이 좋습니다. 다운로드한 경우 원격 모델에서, 그리고 로컬 모델은 그렇지 않은 경우에는 모델이 필요합니다
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) }
자바
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); } });
원격 호스팅 모델만 있는 경우 모델 관련 사용을 중지해야 합니다.
UI의 일부분을 회색으로 표시하거나 숨기는 등
모델이 다운로드되었음을 확인합니다. 그러려면 리스너를
모델 관리자의 download()
메서드에 추가합니다.
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. 입력 이미지 준비
그런 다음 라벨을 지정할 각 이미지에 대해InputImage
를 만듭니다.
개체를 생성합니다. 이미지 라벨러는 Bitmap
를 사용할 때 가장 빠르게 실행됩니다.
또는 camera2 API를 사용하는 경우 YUV_420_888 media.Image
입니다.
가능하면 이 옵션을 사용하는 것이 좋습니다.
InputImage
를 만들 수 있습니다.
아래에 각각 설명되어 있습니다.
media.Image
사용
InputImage
를 만들려면 다음 안내를 따르세요.
(예: media.Image
객체에서 이미지를 캡처할 때)
기기의 카메라에서 이미지를 캡처하려면 media.Image
객체와 이미지의
InputImage.fromMediaImage()
로 회전
<ph type="x-smartling-placeholder"></ph>
CameraX 라이브러리, OnImageCapturedListener
및
회전 값을 계산하는 ImageAnalysis.Analyzer
클래스
있습니다.
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 // ... } } }
자바
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 // ... } } }
이미지의 회전 각도를 제공하는 카메라 라이브러리를 사용하지 않는 경우 기기의 회전 각도와 카메라의 방향에서 센서에 있어야 합니다.
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 }
자바
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; }
그런 다음 media.Image
객체와
회전 각도 값을 InputImage.fromMediaImage()
로:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
파일 URI 사용
InputImage
를 만들려면 다음 안내를 따르세요.
객체를 만들고, 앱 컨텍스트와 파일 URI를
InputImage.fromFilePath()
입니다. 이 기능은
ACTION_GET_CONTENT
인텐트를 사용하여 사용자에게 선택하라는 메시지를 표시합니다.
만들 수 있습니다
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(); }
ByteBuffer
또는 ByteArray
사용
InputImage
를 만들려면 다음 안내를 따르세요.
ByteBuffer
또는 ByteArray
이전에 media.Image
입력에 대해 설명한 회전 각도입니다.
그런 다음 버퍼 또는 배열과 이미지의 InputImage
객체를
높이, 너비, 색상 인코딩 형식 및 회전 각도:
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 )
자바
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 );
Bitmap
사용
InputImage
를 만들려면 다음 안내를 따르세요.
객체를 Bitmap
객체에서 삭제하려면 다음과 같이 선언합니다.
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
이미지는 회전 각도와 함께 Bitmap
객체로 표현됩니다.
3. 이미지 라벨러 실행
이미지의 객체에 라벨을 지정하려면 image
객체를 ImageLabeler
의
process()
메서드를 사용하여 지도 가장자리에
패딩을 추가할 수 있습니다.
Kotlin
labeler.process(image) .addOnSuccessListener { labels -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
자바
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. 라벨이 지정된 항목에 대한 정보 가져오기
이미지 라벨 지정 작업이 성공하면ImageLabel
목록이 반환됩니다.
객체가 성공 리스너에 전달됩니다. 각 ImageLabel
객체는 이미지에서 라벨이 지정된 항목을 나타냅니다. 각 라벨의 텍스트를 가져와서
설명 (TensorFlow Lite 모델 파일의 메타데이터에서 제공되는 경우), 신뢰도 점수, 색인 예를 들면 다음과 같습니다.
Kotlin
for (label in labels) { val text = label.text val confidence = label.confidence val index = label.index }
자바
for (ImageLabel label : labels) { String text = label.getText(); float confidence = label.getConfidence(); int index = label.getIndex(); }
실시간 성능 개선을 위한 팁
실시간 애플리케이션에서 이미지에 라벨을 지정하려면 다음 가이드라인을 참조하세요.
-
Camera
또는camera2
API 이미지 라벨러에 대한 호출을 제한합니다. 새 동영상 이미지 레이블러가 실행 중일 때 프레임이 사용 가능해지면 프레임을 낮춥니다. 자세한 내용은 <ph type="x-smartling-placeholder"></ph>VisionProcessorBase
클래스를 참조하세요. CameraX
API를 사용하는 경우 백프레셔 전략이 기본값으로 설정되어 있는지 확인ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
이렇게 하면 분석을 위해 한 번에 하나의 이미지만 전송됩니다. 더 많은 이미지가 분석기가 사용 중일 때 생성되지 않으면 자동으로 삭제되어 배달. 분석 중인 이미지가 ImageProxy.close()를 호출하면 다음 최신 이미지가 게재됩니다.- 이미지 라벨러의 출력을 사용하여
먼저 ML Kit에서 결과를 가져온 후 이미지를
하나의 단계로 오버레이할 수 있습니다. 이는 디스플레이 표면에 렌더링됩니다.
각 입력 프레임에 대해 한 번만 허용됩니다. 자세한 내용은
<ph type="x-smartling-placeholder"></ph>
CameraSourcePreview
및GraphicOverlay
클래스를 참조하세요. - Camera2 API를 사용하는 경우
ImageFormat.YUV_420_888
형식으로 이미지를 캡처합니다. 이전 Camera API를 사용하는 경우ImageFormat.NV21
형식으로 이미지를 캡처합니다.