אתם יכולים להשתמש ב-ML Kit כדי לזהות אובייקטים בפריימים עוקבים בסרטון ולעקוב אחריהם.
כשמעבירים תמונה ל-ML Kit, המערכת מזהה עד חמישה אובייקטים בתמונה יחד עם המיקום של כל אובייקט בתמונה. כשמזוהים אובייקטים בסטרימינג של וידאו, לכל אובייקט יש מזהה ייחודי שאפשר להשתמש בו כדי לעקוב אחרי האובייקט מפריים לפריים. אפשר גם להפעיל סיווג גס של אובייקטים, שמסמן אובייקטים בתיאור קטגוריה רחב.
רוצה לנסות?
- כדאי לנסות את האפליקציה לדוגמה כדי לראות דוגמה לשימוש ב-API הזה.
- באפליקציית התצוגה של Material Design תוכלו לראות הטמעה מקצה לקצה של ה-API הזה.
לפני שמתחילים
- בקובץ
build.gradle
ברמת הפרויקט, חשוב לכלול את מאגר Maven של Google גם בקטעbuildscript
וגם בקטעallprojects
. - מוסיפים את יחסי התלות של ספריות ML Kit ל-Android לקובץ ה-Gradle ברמת האפליקציה של המודול, שבדרך כלל הוא
app/build.gradle
:dependencies { // ... implementation 'com.google.mlkit:object-detection:17.0.2' }
1. הגדרת הכלי לזיהוי אובייקטים
כדי לזהות אובייקטים ולעקוב אחריהם, קודם יוצרים מופע של ObjectDetector
, ואז אפשר לציין את הגדרות הגלאי שרוצים לשנות מהגדרת ברירת המחדל.
מגדירים את ה-Object Detector לתרחיש לדוגמה באמצעות אובייקט
ObjectDetectorOptions
. אפשר לשנות את ההגדרות הבאות:הגדרות של גלאי אובייקטים מצב זיהוי STREAM_MODE
(ברירת מחדל) |SINGLE_IMAGE_MODE
ב-
STREAM_MODE
(ברירת המחדל), גלאי העצמים פועל עם זמן אחזור קצר, אבל יכול להיות שיניב תוצאות חלקיות (כמו תיבות מלבניות לא מצוינות או תוויות קטגוריה) בהפעלות הראשונות של הגלאי. בנוסף, ב-STREAM_MODE
, הגלאי מקצה מזהי מעקב לאובייקטים, שאפשר להשתמש בהם כדי לעקוב אחרי אובייקטים במסגרות שונות. מומלץ להשתמש במצב הזה כשרוצים לעקוב אחרי אובייקטים, או כשזמן האחזור נמוך חשוב, למשל כשמעובדים סטרימינג של וידאו בזמן אמת.ב-
SINGLE_IMAGE_MODE
, גלאי האובייקטים מחזיר את התוצאה אחרי שקובע את תיבת הגבול של האובייקט. אם מפעילים גם סיווג, התוצאה תוחזר אחרי שהקופסה המקיפה ותווית הקטגוריה יהיו זמינות. כתוצאה מכך, זמן האחזור לזיהוי עשוי להיות ארוך יותר. בנוסף, ב-SINGLE_IMAGE_MODE
לא מקצים מזהי מעקב. כדאי להשתמש במצב הזה אם זמן האחזור לא קריטי ואתם לא רוצים להתמודד עם תוצאות חלקיות.זיהוי של כמה אובייקטים ומעקב אחריהם false
(ברירת מחדל) |true
האם לזהות ולעקוב אחרי עד חמישה אובייקטים או רק אחרי האובייקט הבולט ביותר (ברירת המחדל).
סיווג אובייקטים false
(ברירת מחדל) |true
האם לסווג אובייקטים שזוהו לקטגוריות רחבות או לא. כשהאפשרות הזו מופעלת, גלאי האובייקטים מסווג אובייקטים לקטגוריות הבאות: מוצרי אופנה, מזון, מוצרים לבית, מקומות וצמחים.
ממשק ה-API לזיהוי אובייקטים ולמעקב אחריהם מותאם לשני התרחישים הבאים:
- זיהוי ומעקב בזמן אמת של האובייקט הבולט ביותר בחלון הראייה של המצלמה.
- זיהוי של מספר אובייקטים מתוך תמונה סטטית.
כדי להגדיר את ה-API לתרחישים לדוגמה האלה:
Kotlin
// Live detection and tracking val options = ObjectDetectorOptions.Builder() .setDetectorMode(ObjectDetectorOptions.STREAM_MODE) .enableClassification() // Optional .build() // Multiple object detection in static images val options = ObjectDetectorOptions.Builder() .setDetectorMode(ObjectDetectorOptions.SINGLE_IMAGE_MODE) .enableMultipleObjects() .enableClassification() // Optional .build()
Java
// Live detection and tracking ObjectDetectorOptions options = new ObjectDetectorOptions.Builder() .setDetectorMode(ObjectDetectorOptions.STREAM_MODE) .enableClassification() // Optional .build(); // Multiple object detection in static images ObjectDetectorOptions options = new ObjectDetectorOptions.Builder() .setDetectorMode(ObjectDetectorOptions.SINGLE_IMAGE_MODE) .enableMultipleObjects() .enableClassification() // Optional .build();
אחזור מופע של
ObjectDetector
:Kotlin
val objectDetector = ObjectDetection.getClient(options)
Java
ObjectDetector objectDetector = ObjectDetection.getClient(options);
2. הכנת קובץ הקלט
כדי לזהות אובייקטים ולעקוב אחריהם, מעבירים תמונות לשיטהprocess()
של המופע ObjectDetector
.
גלאי העצמים פועל ישירות מ-Bitmap
, מ-NV21 ByteBuffer
או מ-YUV_420_888 media.Image
. מומלץ ליצור את InputImage
מהמקורות האלה אם יש לכם גישה ישירה לאחד מהם. אם תיצרו את InputImage
ממקורות אחרים, אנחנו נטפל בהמרה באופן פנימי בשבילכם, ויכול להיות שהיא תהיה פחות יעילה.
בכל פריים של סרטון או תמונה ברצף, מבצעים את הפעולות הבאות:
אפשר ליצור אובייקט InputImage
ממקורות שונים, והסבר על כל אחד מהם מופיע בהמשך.
שימוש ב-media.Image
כדי ליצור אובייקט InputImage
מאובייקט media.Image
, למשל כשמעבירים תמונה ממצלמת המכשיר, מעבירים את האובייקט media.Image
ואת סיבוב התמונה אל InputImage.fromMediaImage()
.
אם אתם משתמשים בספרייה
CameraX, הערך של הזווית מחושב בשבילכם על ידי הכיתות OnImageCapturedListener
ו-ImageAnalysis.Analyzer
.
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 אתם לא משתמשים בספריית מצלמה שמספקת את מידת הסיבוב של התמונה, תוכלו 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 הערך של דרגת הסיבוב אל 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
מכתובת URI של קובץ, מעבירים את הקשר של האפליקציה ואת כתובת ה-URI של הקובץ ל-InputImage.fromFilePath()
. אפשר להשתמש באפשרות הזו כשמשתמשים בכוונה ACTION_GET_CONTENT
כדי לבקש מהמשתמש לבחור תמונה מאפליקציית הגלריה שלו.
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(); }
שימוש ב-ByteBuffer
או ב-ByteArray
כדי ליצור אובייקט InputImage
מ-ByteBuffer
או מ-ByteArray
, קודם מחשבים את מידת הסיבוב של התמונה כפי שמתואר למעלה לגבי קלט media.Image
.
לאחר מכן, יוצרים את האובייקט InputImage
עם המאגר 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 );
שימוש ב-Bitmap
כדי ליצור אובייקט InputImage
מתוך אובייקט Bitmap
, צריך להצהיר על כך באופן הבא:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
התמונה מיוצגת על ידי אובייקט Bitmap
יחד עם מעלות הסיבוב.
3. עיבוד התמונה
מעבירים את התמונה לשיטהprocess()
:
Kotlin
objectDetector.process(image) .addOnSuccessListener { detectedObjects -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
Java
objectDetector.process(image) .addOnSuccessListener( new OnSuccessListener<List<DetectedObject>>() { @Override public void onSuccess(List<DetectedObject> detectedObjects) { // Task completed successfully // ... } }) .addOnFailureListener( new OnFailureListener() { @Override public void onFailure(@NonNull Exception e) { // Task failed with an exception // ... } });
4. אחזור מידע על אובייקטים שזוהו
אם הקריאה ל-process()
תצליח, רשימה של DetectedObject
s תועבר למאזין להצלחה.
כל DetectedObject
מכיל את המאפיינים הבאים:
תיבה תוחמת (bounding box) | Rect שמציין את המיקום של האובייקט בתמונה. |
||||||
מזהה לצורכי מעקב | מספר שלם שמזהה את האובייקט בתמונות שונות. הערך Null ב-SINGLE_IMAGE_MODE. | ||||||
תוויות |
|
Kotlin
for (detectedObject in detectedObjects) { val boundingBox = detectedObject.boundingBox val trackingId = detectedObject.trackingId for (label in detectedObject.labels) { val text = label.text if (PredefinedCategory.FOOD == text) { ... } val index = label.index if (PredefinedCategory.FOOD_INDEX == index) { ... } val confidence = label.confidence } }
Java
// The list of detected objects contains one item if multiple // object detection wasn't enabled. for (DetectedObject detectedObject : detectedObjects) { Rect boundingBox = detectedObject.getBoundingBox(); Integer trackingId = detectedObject.getTrackingId(); for (Label label : detectedObject.getLabels()) { String text = label.getText(); if (PredefinedCategory.FOOD.equals(text)) { ... } int index = label.getIndex(); if (PredefinedCategory.FOOD_INDEX == index) { ... } float confidence = label.getConfidence(); } }
הבטחת חוויית משתמש מעולה
כדי ליהנות מחוויית המשתמש הטובה ביותר, מומלץ לפעול לפי ההנחיות הבאות באפליקציה:
- זיהוי אובייקטים מוצלח תלוי במורכבות החזותית של האובייקט. כדי שמערכת זיהוי הפנים תזהה אובייקטים עם מספר קטן של מאפיינים חזותיים, יכול להיות שהם יצטרכו לתפוס חלק גדול יותר מהתמונה. כדאי לספק למשתמשים הנחיות לצילום קלט שמתאים לסוג העצמים שאתם רוצים לזהות.
- כשמשתמשים בסיווג, אם רוצים לזהות אובייקטים שלא נכללים בקטגוריות הנתמכות, צריך להטמיע טיפול מיוחד לאובייקטים לא מוכרים.
כדאי גם לעיין באפליקציית התצוגה של ML Kit ב-Material Design ובאוסף דוגמאות לתכונות מבוססות-למידת מכונה ב-Material Design.
Improving performance
אם אתם רוצים להשתמש בזיהוי אובייקטים באפליקציה בזמן אמת, כדאי לפעול לפי ההנחיות הבאות כדי להשיג את שיעורי הפריימים הטובים ביותר:
כשמשתמשים במצב סטרימינג באפליקציה בזמן אמת, לא משתמשים בזיהוי של כמה אובייקטים, כי רוב המכשירים לא יוכלו לייצר קצבי פריימים מתאימים.
משביתים את הסיווג אם אין צורך בו.
- אם אתם משתמשים ב-API
Camera
או ב-APIcamera2
, כדאי להגביל את הקריאות לגלאי. אם מסגרת וידאו חדשה זמינה בזמן שהגלאי פועל, צריך להסיר את המסגרת. דוגמה לכך מופיעה בכיתהVisionProcessorBase
באפליקציה לדוגמה במדריך למתחילים. - אם אתם משתמשים ב-API
CameraX
, חשוב לוודא ששיטת הלחץ האחורי מוגדרת לערך ברירת המחדל שלה,ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
. כך מובטח שרק תמונה אחת תישלח לניתוח בכל פעם. אם נוצרות תמונות נוספות כשהמנתח עסוק, הן יושמדו באופן אוטומטי ולא יעמדו בתור להעברה. אחרי שתמונה מסוימת נסגרת באמצעות קריאה ל-ImageProxy.close(), התמונה העדכנית הבאה תישלח. - אם משתמשים בפלט של הגלאי כדי להוסיף שכבת-על של גרפיקה לתמונה הקלט, קודם מקבלים את התוצאה מ-ML Kit, ואז מבצעים עיבוד תמונה של התמונה ומוסיפים את שכבת-העל בשלב אחד. המערכת מבצעת רינדור של התמונה על פני המסך רק פעם אחת לכל מסגרת קלט. לדוגמה, תוכלו לעיין בכיתות
CameraSourcePreview
ו-GraphicOverlay
באפליקציית הדוגמה למדריך למתחילים. - אם אתם משתמשים ב-Camera2 API, כדאי לצלם תמונות בפורמט
ImageFormat.YUV_420_888
. אם משתמשים ב-Camera API הקודם, צריך לצלם תמונות בפורמטImageFormat.NV21
.