ML Kit-এর অন-ডিভাইস অবজেক্ট ডিটেকশন এবং ট্র্যাকিং API-এর সাহায্যে আপনি একটি ইমেজ বা লাইভ ক্যামেরা ফিডে অবজেক্ট সনাক্ত ও ট্র্যাক করতে পারেন।
ঐচ্ছিকভাবে, আপনি সনাক্ত করা বস্তুগুলিকে শ্রেণীবদ্ধ করতে পারেন, হয় API-এ নির্মিত মোটা শ্রেণীবিভাগ ব্যবহার করে, অথবা আপনার নিজস্ব কাস্টম চিত্র শ্রেণীবিভাগ মডেল ব্যবহার করে৷ আরও তথ্যের জন্য একটি কাস্টম টেনসরফ্লো লাইট মডেল ব্যবহার করা দেখুন।
কারণ ডিভাইসে বস্তু সনাক্তকরণ এবং ট্র্যাকিং ঘটে, এটি ভিজ্যুয়াল অনুসন্ধান পাইপলাইনের সামনের প্রান্তের মতো ভাল কাজ করে। আপনি অবজেক্টগুলি সনাক্ত এবং ফিল্টার করার পরে, আপনি সেগুলিকে একটি ক্লাউড ব্যাকএন্ডে পাঠাতে পারেন, যেমন ক্লাউড ভিশন পণ্য অনুসন্ধান ৷
মূল ক্ষমতা
- দ্রুত অবজেক্ট সনাক্তকরণ এবং ট্র্যাকিং বস্তু সনাক্ত করুন এবং চিত্রে তাদের অবস্থানগুলি পান। ক্রমাগত ইমেজ ফ্রেম জুড়ে বস্তু ট্র্যাক.
- অপ্টিমাইজ করা অন-ডিভাইস মডেল অবজেক্ট ডিটেকশন এবং ট্র্যাকিং মডেলটি মোবাইল ডিভাইসের জন্য অপ্টিমাইজ করা হয়েছে এবং রিয়েল-টাইম অ্যাপ্লিকেশানগুলিতে ব্যবহার করার উদ্দেশ্যে, এমনকি লোয়ার-এন্ড ডিভাইসেও।
- বিশিষ্ট বস্তু সনাক্তকরণ স্বয়ংক্রিয়ভাবে একটি চিত্রের সবচেয়ে বিশিষ্ট বস্তু নির্ধারণ করুন।
- মোটা শ্রেণীবিভাগ বস্তুগুলিকে বিস্তৃত শ্রেণীতে শ্রেণীবদ্ধ করুন, যেগুলি আপনি আগ্রহী নন এমন বস্তুগুলিকে ফিল্টার করতে ব্যবহার করতে পারেন৷ নিম্নলিখিত বিভাগগুলি সমর্থিত: বাড়ির পণ্য, ফ্যাশন সামগ্রী, খাদ্য, গাছপালা এবং স্থান৷
- একটি কাস্টম মডেলের সাথে শ্রেণীবিভাগ নির্দিষ্ট অবজেক্ট বিভাগ সনাক্ত করতে বা ফিল্টার করতে আপনার নিজস্ব কাস্টম ইমেজ শ্রেণীবিভাগ মডেল ব্যবহার করুন। আপনার কাস্টম মডেলটিকে চিত্রের পটভূমি বাদ দিয়ে আরও ভাল কার্য সম্পাদন করুন৷
উদাহরণ ফলাফল
ইমেজ জুড়ে সবচেয়ে বিশিষ্ট বস্তু ট্র্যাকিং
নীচের উদাহরণটি ML Kit দ্বারা প্রদত্ত ডিফল্ট মোটা শ্রেণীবদ্ধকারী সহ তিনটি ধারাবাহিক ফ্রেমের ট্র্যাকিং ডেটা দেখায়৷
 |
| ||||||||
 |
| ||||||||
 |
|
ছবি: ক্রিশ্চিয়ান ফেরার [CC BY-SA 4.0]
একটি স্ট্যাটিক ইমেজে একাধিক বস্তু
নীচের উদাহরণটি এমএল কিট দ্বারা প্রদত্ত ডিফল্ট মোটা শ্রেণীবিভাগের সাথে চিত্রে সনাক্ত করা চারটি বস্তুর ডেটা দেখায়।
| অবজেক্ট 0 | |
|---|---|
| সীমানা | (1, 97), (332, 97), (332, 332), (1, 332) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.95703125 |
| অবজেক্ট 1 | |
| সীমানা | (186, 80), (337, 80), (337, 226), (186, 226) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.84375 |
| অবজেক্ট 2 | |
| সীমানা | (296, 80), (472, 80), (472, 388), (296, 388) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.94921875 |
| অবজেক্ট 3 | |
| সীমানা | (439, 83), (615, 83), (615, 306), (439, 306) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.9375 |
একটি কাস্টম টেনসরফ্লো লাইট মডেল ব্যবহার করা হচ্ছে
ডিফল্ট মোটা ক্লাসিফায়ার পাঁচটি বিভাগের জন্য তৈরি করা হয়েছে, সনাক্ত করা বস্তু সম্পর্কে সীমিত তথ্য প্রদান করে। আপনার আরও বিশদে ধারণার একটি সংকীর্ণ ডোমেন কভার করে এমন একটি আরও বিশেষ শ্রেণিবদ্ধ মডেলের প্রয়োজন হতে পারে; উদাহরণস্বরূপ, ফুলের প্রজাতি বা খাদ্যের প্রকারের মধ্যে পার্থক্য করার জন্য একটি মডেল।
এই API আপনাকে বিস্তৃত উৎস থেকে কাস্টম ইমেজ শ্রেণীবিভাগের মডেলগুলিকে সমর্থন করে একটি নির্দিষ্ট ব্যবহারের ক্ষেত্রে উপযোগী করতে দেয়। আরও জানতে অনুগ্রহ করে ML কিট সহ কাস্টম মডেলগুলি পড়ুন৷ কাস্টম মডেলগুলি আপনার অ্যাপের সাথে বান্ডিল করা যেতে পারে বা ফায়ারবেস মেশিন লার্নিং এর মডেল ডিপ্লয়মেন্ট পরিষেবা ব্যবহার করে ক্লাউড থেকে গতিশীলভাবে ডাউনলোড করা যেতে পারে।
ইনপুট ইমেজ প্রিপ্রসেসিং
যদি প্রয়োজন হয়, অবজেক্ট ডিটেকশন এবং ট্র্যাকিং ইনপুট ইমেজ সাইজ এবং অ্যাসপেক্ট রেশিও সামঞ্জস্য করার জন্য বাইলিনিয়ার ইমেজ স্কেলিং এবং স্ট্রেচিং ব্যবহার করে যাতে সেগুলি অন্তর্নিহিত মডেলের প্রয়োজনীয়তার সাথে খাপ খায়।