ML Kit دو کیت توسعه نرمافزار بهینهشده برای تشخیص ژست ارائه میدهد.
| نام کیت توسعه نرمافزار | تشخیص حالت | تشخیص-ژست-دقیق |
|---|---|---|
| پیادهسازی | کد و داراییها در زمان ساخت بهطور ایستا به برنامهتان پیوند داده میشوند. | کد و داراییها در زمان ساخت بهصورت ایستا به برنامه شما پیوند داده میشوند. |
| تأثیر اندازه برنامه (شامل کد و داراییها) | ~۱۰٫۱ مگابایت | ~۱۳٫۳ مگابایت |
| عملکرد | Pixel 3XL: ~30FPS | Pixel 3XL: حدود ۲۳ فریم در ثانیه با CPU، حدود ۳۰ فریم در ثانیه با GPU |
امتحان کنید
- با برنامه نمونه بازی کنید تا نمونهای از استفاده از این API را ببینید.
قبلاز شروع
- در فایل
build.gradleسطح پروژه، حتماً مخزن Maven متعلق به Google را در هر دو بخشbuildscriptوallprojectsاضافه کنید. وابستگیهای کتابخانههای ML Kit Android را به فایل gradle سطح برنامه واحدتان اضافه کنید، که معمولاً
app/build.gradleاست:dependencies { // If you want to use the base sdk implementation 'com.google.mlkit:pose-detection:18.0.0-beta5' // If you want to use the accurate sdk implementation 'com.google.mlkit:pose-detection-accurate:18.0.0-beta5' }
۱. ایجاد نمونهای از PoseDetector
PoseDetector گزینه
برای تشخیص ژست در تصویر، ابتدا نمونهای از PoseDetector ایجاد کنید و
درصورت تمایل تنظیمات آشکارساز را مشخص کنید.
حالت تشخیص
PoseDetector در دو حالت تشخیص عمل میکند. حتماً موردی را انتخاب کنید که با مورد استفاده شما مطابقت دارد.
STREAM_MODE(پیشفرض)- آشکارساز ژست ابتدا برجستهترین فرد را در تصویر شناسایی میکند و سپس آشکارسازی ژست را اجرا میکند. در قابهای بعدی، مرحله تشخیص فرد انجام نخواهد شد، مگراینکه فرد مبهم شود یا دیگر با اطمینان بالا تشخیص داده نشود. ردیاب ژست تلاش میکند برجستهترین فرد را ردیابی کند و ژست او را در هر استنتاج برگرداند. این کار تأخیر را کاهش میدهد و تشخیص را روانتر میکند. وقتی میخواهید ژست را در جاریسازی ویدیویی تشخیص دهید، از این حالت استفاده کنید.
SINGLE_IMAGE_MODE- آشکارساز حالت، فرد را شناسایی میکند و سپس تشخیص حالت را اجرا میکند. مرحله تشخیص انسان برای هر تصویر اجرا میشود، بنابراین تأخیر بیشتر خواهد بود و ردیابی انسان وجود ندارد. از این حالت هنگام استفاده از تشخیص وضعیت در تصاویر ثابت یا در مواردی که ردیابی مطلوب نیست استفاده کنید.
پیکربندی سختافزار
PoseDetector از چندین پیکربندی سختافزاری برای بهینهسازی
عملکرد پشتیبانی میکند:
-
CPU: آشکارساز را فقط بااستفاده از واحد پردازش مرکزی اجرا کنید -
CPU_GPU: اجرای آشکارساز بااستفاده از CPU و GPU
هنگام ساختن گزینههای آشکارساز، میتوانید از API
setPreferredHardwareConfigs برای کنترل انتخاب سختافزار استفاده کنید. بهطور پیشفرض،
همه پیکربندیهای سختافزاری بهعنوان ترجیحی تنظیم شدهاند.
«کیت یادگیری ماشین» دردسترس بودن، پایداری، درستی، و تأخیر هر پیکربندی را
درنظر میگیرد و بهترین پیکربندی را از میان پیکربندیهای ترجیحی انتخاب میکند. اگر هیچکدام از پیکربندیهای ترجیحی قابلاعمال نباشد، پیکربندی CPU بهطور خودکار بهعنوان جایگزین استفاده خواهد شد. ML Kit این بررسیها و آمادهسازیهای مربوطه را بهصورت
غیرمسدودکننده قبلاز فعال کردن هرگونه شتابدهنده انجام میدهد، بنابراین احتمالاً
اولینباری که کاربرتان آشکارساز را اجرا میکند، از CPU استفاده خواهد کرد. پساز اتمام همه آمادهسازیها، بهترین پیکربندی در اجراهای بعدی استفاده خواهد شد.
نمونههای استفاده از setPreferredHardwareConfigs:
- برای اینکه به ML Kit اجازه دهید بهترین پیکربندی را انتخاب کند، این میانای برنامهسازی کاربردی را فراخوانی نکنید.
- اگر نمیخواهید هیچ شتابی را فعال کنید، فقط
CPUرا ارسال کنید. - اگر میخواهید از GPU برای کاهش بار CPU استفاده کنید، حتی اگر GPU کندتر باشد، فقط
CPU_GPUرا وارد کنید.
گزینههای تشخیص وضعیت را مشخص کنید:
Kotlin
// Base pose detector with streaming frames, when depending on the pose-detection sdk val options = PoseDetectorOptions.Builder() .setDetectorMode(PoseDetectorOptions.STREAM_MODE) .build() // Accurate pose detector on static images, when depending on the pose-detection-accurate sdk val options = AccuratePoseDetectorOptions.Builder() .setDetectorMode(AccuratePoseDetectorOptions.SINGLE_IMAGE_MODE) .build()
جاوا
// Base pose detector with streaming frames, when depending on the pose-detection sdk PoseDetectorOptions options = new PoseDetectorOptions.Builder() .setDetectorMode(PoseDetectorOptions.STREAM_MODE) .build(); // Accurate pose detector on static images, when depending on the pose-detection-accurate sdk AccuratePoseDetectorOptions options = new AccuratePoseDetectorOptions.Builder() .setDetectorMode(AccuratePoseDetectorOptions.SINGLE_IMAGE_MODE) .build();
درنهایت، نمونهای از PoseDetector ایجاد کنید. گزینههایی را که مشخص کردهاید ارسال کنید:
Kotlin
val poseDetector = PoseDetection.getClient(options)
جاوا
PoseDetector poseDetector = PoseDetection.getClient(options);
۲. آماده کردن تصویر ورودی
برای تشخیص ژستها در تصویر، یک شیء InputImage
از Bitmap، media.Image، ByteBuffer، آرایه بایت، یا فایلی در
دستگاه ایجاد کنید. سپس، شیء InputImage را به
PoseDetector منتقل کنید.
برای تشخیص ژست، باید از تصویری با ابعاد حداقل ۴۸۰×۳۶۰ پیکسل استفاده کنید. اگر حالتها را در زمان واقعی تشخیص میدهید، ضبط قابها با این حداقل وضوح میتواند به کاهش تأخیر کمک کند.
میتوانید شیء InputImage را از منابع مختلف ایجاد کنید، هرکدام در زیر توضیح داده شده است.
استفاده از media.Image
برای ایجاد یک شیء InputImage
از یک شیء media.Image، مثلاً وقتی تصویری را از دوربین
دستگاه ضبط میکنید، شیء media.Image و چرخش تصویر را به InputImage.fromMediaImage() منتقل کنید.
اگر از کتابخانه
CameraX استفاده میکنید، کلاسهای OnImageCapturedListener و
ImageAnalysis.Analyzer مقدار چرخش را برایتان محاسبه میکنند.
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 // ... } } }
جاوا
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 // ... } } }
اگر از کتابخانه دوربینی استفاده نمیکنید که درجه چرخش تصویر را به شما ارائه دهد، میتوانید آن را از درجه چرخش دستگاه و جهت حسگر دوربین در دستگاه محاسبه کنید:
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 }
جاوا
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; }
سپس، شیء media.Image و مقدار درجه چرخش را به InputImage.fromMediaImage() ارسال کنید:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
استفاده از نشانی وب فایل
برای ایجاد یک شیء InputImage
از نشانی وب فایل، بافت برنامه و نشانی وب فایل را به
InputImage.fromFilePath() ارسال کنید. این کار زمانی مفید است که
از هدف ACTION_GET_CONTENT برای درخواست از کاربر برای انتخاب
تصویری از برنامه گالری خود استفاده میکنید.
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(); }
استفاده از ByteBuffer یا ByteArray
برای ایجاد شیء InputImage
از ByteBuffer یا ByteArray، ابتدا درجه چرخش تصویر را
همانطور که قبلاً برای ورودی media.Image شرح داده شد محاسبه کنید.
سپس، شیء InputImage را با بافر یا آرایه، همراه با ارتفاع، عرض، قالب کدبندی رنگ، و درجه چرخش تصویر ایجاد کنید:
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 )
جاوا
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 );
استفاده از Bitmap
برای ایجاد یک InputImage
شیء از یک شیء Bitmap، بیانیه زیر را اعلام کنید:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
تصویر با یک شیء Bitmap بههمراه درجههای چرخش نشان داده میشود.
۳. پردازش تصویر
شیء InputImage آمادهشده را به روش process در PoseDetector منتقل کنید.
Kotlin
Task<Pose> result = poseDetector.process(image)
.addOnSuccessListener { results ->
// Task completed successfully
// ...
}
.addOnFailureListener { e ->
// Task failed with an exception
// ...
}جاوا
Task<Pose> result = poseDetector.process(image) .addOnSuccessListener( new OnSuccessListener<Pose>() { @Override public void onSuccess(Pose pose) { // Task completed successfully // ... } }) .addOnFailureListener( new OnFailureListener() { @Override public void onFailure(@NonNull Exception e) { // Task failed with an exception // ... } });
۴. دریافت اطلاعات درباره ژست شناساییشده
اگر فردی در تصویر شناسایی شود، API تشخیص وضعیت Pose
شیئی با ۳۳ PoseLandmark برمیگرداند.
اگر فرد کاملاً داخل تصویر نباشد، مدل مختصات نشانههای گمشده را خارج از قاب اختصاص میدهد و مقادیر InFrameConfidence پایینی به آنها میدهد.
اگر هیچ فردی در قاب تشخیص داده نشود، شیء Pose
حاوی هیچ PoseLandmark نخواهد بود.
Kotlin
// Get all PoseLandmarks. If no person was detected, the list will be empty val allPoseLandmarks = pose.getAllPoseLandmarks() // Or get specific PoseLandmarks individually. These will all be null if no person // was detected val leftShoulder = pose.getPoseLandmark(PoseLandmark.LEFT_SHOULDER) val rightShoulder = pose.getPoseLandmark(PoseLandmark.RIGHT_SHOULDER) val leftElbow = pose.getPoseLandmark(PoseLandmark.LEFT_ELBOW) val rightElbow = pose.getPoseLandmark(PoseLandmark.RIGHT_ELBOW) val leftWrist = pose.getPoseLandmark(PoseLandmark.LEFT_WRIST) val rightWrist = pose.getPoseLandmark(PoseLandmark.RIGHT_WRIST) val leftHip = pose.getPoseLandmark(PoseLandmark.LEFT_HIP) val rightHip = pose.getPoseLandmark(PoseLandmark.RIGHT_HIP) val leftKnee = pose.getPoseLandmark(PoseLandmark.LEFT_KNEE) val rightKnee = pose.getPoseLandmark(PoseLandmark.RIGHT_KNEE) val leftAnkle = pose.getPoseLandmark(PoseLandmark.LEFT_ANKLE) val rightAnkle = pose.getPoseLandmark(PoseLandmark.RIGHT_ANKLE) val leftPinky = pose.getPoseLandmark(PoseLandmark.LEFT_PINKY) val rightPinky = pose.getPoseLandmark(PoseLandmark.RIGHT_PINKY) val leftIndex = pose.getPoseLandmark(PoseLandmark.LEFT_INDEX) val rightIndex = pose.getPoseLandmark(PoseLandmark.RIGHT_INDEX) val leftThumb = pose.getPoseLandmark(PoseLandmark.LEFT_THUMB) val rightThumb = pose.getPoseLandmark(PoseLandmark.RIGHT_THUMB) val leftHeel = pose.getPoseLandmark(PoseLandmark.LEFT_HEEL) val rightHeel = pose.getPoseLandmark(PoseLandmark.RIGHT_HEEL) val leftFootIndex = pose.getPoseLandmark(PoseLandmark.LEFT_FOOT_INDEX) val rightFootIndex = pose.getPoseLandmark(PoseLandmark.RIGHT_FOOT_INDEX) val nose = pose.getPoseLandmark(PoseLandmark.NOSE) val leftEyeInner = pose.getPoseLandmark(PoseLandmark.LEFT_EYE_INNER) val leftEye = pose.getPoseLandmark(PoseLandmark.LEFT_EYE) val leftEyeOuter = pose.getPoseLandmark(PoseLandmark.LEFT_EYE_OUTER) val rightEyeInner = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE_INNER) val rightEye = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE) val rightEyeOuter = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE_OUTER) val leftEar = pose.getPoseLandmark(PoseLandmark.LEFT_EAR) val rightEar = pose.getPoseLandmark(PoseLandmark.RIGHT_EAR) val leftMouth = pose.getPoseLandmark(PoseLandmark.LEFT_MOUTH) val rightMouth = pose.getPoseLandmark(PoseLandmark.RIGHT_MOUTH)
جاوا
// Get all PoseLandmarks. If no person was detected, the list will be empty List<PoseLandmark> allPoseLandmarks = pose.getAllPoseLandmarks(); // Or get specific PoseLandmarks individually. These will all be null if no person // was detected PoseLandmark leftShoulder = pose.getPoseLandmark(PoseLandmark.LEFT_SHOULDER); PoseLandmark rightShoulder = pose.getPoseLandmark(PoseLandmark.RIGHT_SHOULDER); PoseLandmark leftElbow = pose.getPoseLandmark(PoseLandmark.LEFT_ELBOW); PoseLandmark rightElbow = pose.getPoseLandmark(PoseLandmark.RIGHT_ELBOW); PoseLandmark leftWrist = pose.getPoseLandmark(PoseLandmark.LEFT_WRIST); PoseLandmark rightWrist = pose.getPoseLandmark(PoseLandmark.RIGHT_WRIST); PoseLandmark leftHip = pose.getPoseLandmark(PoseLandmark.LEFT_HIP); PoseLandmark rightHip = pose.getPoseLandmark(PoseLandmark.RIGHT_HIP); PoseLandmark leftKnee = pose.getPoseLandmark(PoseLandmark.LEFT_KNEE); PoseLandmark rightKnee = pose.getPoseLandmark(PoseLandmark.RIGHT_KNEE); PoseLandmark leftAnkle = pose.getPoseLandmark(PoseLandmark.LEFT_ANKLE); PoseLandmark rightAnkle = pose.getPoseLandmark(PoseLandmark.RIGHT_ANKLE); PoseLandmark leftPinky = pose.getPoseLandmark(PoseLandmark.LEFT_PINKY); PoseLandmark rightPinky = pose.getPoseLandmark(PoseLandmark.RIGHT_PINKY); PoseLandmark leftIndex = pose.getPoseLandmark(PoseLandmark.LEFT_INDEX); PoseLandmark rightIndex = pose.getPoseLandmark(PoseLandmark.RIGHT_INDEX); PoseLandmark leftThumb = pose.getPoseLandmark(PoseLandmark.LEFT_THUMB); PoseLandmark rightThumb = pose.getPoseLandmark(PoseLandmark.RIGHT_THUMB); PoseLandmark leftHeel = pose.getPoseLandmark(PoseLandmark.LEFT_HEEL); PoseLandmark rightHeel = pose.getPoseLandmark(PoseLandmark.RIGHT_HEEL); PoseLandmark leftFootIndex = pose.getPoseLandmark(PoseLandmark.LEFT_FOOT_INDEX); PoseLandmark rightFootIndex = pose.getPoseLandmark(PoseLandmark.RIGHT_FOOT_INDEX); PoseLandmark nose = pose.getPoseLandmark(PoseLandmark.NOSE); PoseLandmark leftEyeInner = pose.getPoseLandmark(PoseLandmark.LEFT_EYE_INNER); PoseLandmark leftEye = pose.getPoseLandmark(PoseLandmark.LEFT_EYE); PoseLandmark leftEyeOuter = pose.getPoseLandmark(PoseLandmark.LEFT_EYE_OUTER); PoseLandmark rightEyeInner = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE_INNER); PoseLandmark rightEye = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE); PoseLandmark rightEyeOuter = pose.getPoseLandmark(PoseLandmark.RIGHT_EYE_OUTER); PoseLandmark leftEar = pose.getPoseLandmark(PoseLandmark.LEFT_EAR); PoseLandmark rightEar = pose.getPoseLandmark(PoseLandmark.RIGHT_EAR); PoseLandmark leftMouth = pose.getPoseLandmark(PoseLandmark.LEFT_MOUTH); PoseLandmark rightMouth = pose.getPoseLandmark(PoseLandmark.RIGHT_MOUTH);
نکتههایی برای بهبود عملکرد
کیفیت نتایج شما به کیفیت تصویر ورودی بستگی دارد:
- برای اینکه ML Kit بتواند حالت را بهدرستی تشخیص دهد، فرد موجود در تصویر باید با دادههای پیکسلی کافی نشان داده شود؛ برای بهترین عملکرد، سوژه باید حداقل ۲۵۶×۲۵۶ پیکسل باشد.
- اگر در برنامهای همزمان حالت را تشخیص میدهید، ممکن است بخواهید ابعاد کلی تصاویر ورودی را نیز درنظر بگیرید. تصاویر کوچکتر سریعتر پردازش میشوند، بنابراین برای کاهش تأخیر، تصاویر را با وضوح پایینتر ثبت کنید، اما الزامات وضوح بالا را درنظر داشته باشید و مطمئن شوید که سوژه تا حد امکان بخش بیشتری از تصویر را اشغال میکند.
- فوکوس ضعیف تصویر نیز میتواند بر دقت تأثیر بگذارد. اگر نتایج قابلقبول نبود، از کاربر بخواهید تصویر را دوباره بگیرد.
اگر میخواهید از تشخیص وضعیت در یک برنامه بیدرنگ استفاده کنید، این دستورالعملها را برای دستیابی به بهترین نرخهای فریم دنبال کنید:
- از کیت توسعه نرمافزار تشخیص حالت پایه و
STREAM_MODEاستفاده کنید. - تصاویر را با وضوح پایینتری بگیرید. بااینحال، الزامات ابعاد تصویر این API را نیز درنظر داشته باشید.
- اگر از
Cameraیاcamera2API استفاده میکنید، فراخوانیهای آشکارساز را محدود کنید. اگر فریم ویدیویی جدیدی در حین اجرای آشکارساز دردسترس قرار گرفت، فریم را رها کنید. برای دیدن نمونه،VisionProcessorBaseکلاس را در برنامه نمونه شروع سریع ببینید. - اگر از
CameraXAPI استفاده میکنید، مطمئن شوید که استراتژی فشار برگشتی روی مقدار پیشفرض آنImageAnalysis.STRATEGY_KEEP_ONLY_LATESTتنظیم شده باشد. این کار تضمین میکند که در هر بار فقط یک تصویر برای تجزیهوتحلیل ارسال شود. اگر وقتی تحلیلگر مشغول است تصاویر بیشتری تولید شود، بهطور خودکار حذف میشوند و برای تحویل در صف قرار نمیگیرند. وقتی تصویر درحال تجزیهوتحلیل با فراخوانی ImageProxy.close() بسته شود، جدیدترین تصویر بعدی ارائه خواهد شد. - اگر از خروجی آشکارساز برای همپوشانی گرافیک روی تصویر ورودی استفاده میکنید، ابتدا نتیجه را از ML Kit دریافت کنید، سپس تصویر و همپوشانی را در یک مرحله رندر کنید. این کار فقط یکبار برای هر قاب ورودی در سطح نمایش انجام میشود. برای دیدن نمونه، کلاسهای
CameraSourcePreviewوGraphicOverlayرا در برنامه نمونه شروع سریع ببینید. - اگر از Camera2 API استفاده میکنید، تصاویر را در قالب
ImageFormat.YUV_420_888ضبط کنید. اگر از Camera API قدیمیتر استفاده میکنید، تصاویر را در قالبImageFormat.NV21ضبط کنید.
مراحل بعدی
- برای آشنایی با نحوه استفاده از نقاط مرجع ژست برای طبقهبندی ژستها، نکتههایی درباره طبقهبندی ژست را ببینید.