您可以使用 ML Kit 辨識圖片中的實體,並加上標籤。 這個 API 支援多種自訂圖片分類模型。請 相關指南請參閱「使用 ML Kit 自訂模型」一文 模型相容性需求,哪裡可以找到預先訓練模型 以及如何訓練自有模型
整合圖片標籤和自訂模型的方法有兩種:透過組合 或者使用 。如果選取未組合的管道 小。詳情請參閱下表。
組合 | 未分類 | |
---|---|---|
程式庫名稱 | com.google.mlkit:image-labeling-custom | com.google.android.gms:play-services-mlkit-image-labeling-custom |
導入作業 | 管道會在建構期間以靜態方式連結至您的應用程式。 | 管道是透過 Google Play 服務動態下載。 |
應用程式大小 | 大小增加約 3.8 MB。 | 大小增加約 200 KB。 |
初始化時間 | 管道可立即使用。 | 可能必須先等待管道下載完畢,才能開始使用。 |
API 生命週期階段 | 正式發布版 | Beta 版 |
整合自訂模型的方式有兩種:將模型按照 將檔案放入應用程式的素材資源資料夾,或以動態方式下載 。下表比較這兩個選項。
套裝組合模型 | 託管模型 |
---|---|
這個模型是應用程式 APK 的一部分,會增加其大小。 | 這個模型並非 APK 的一部分。這是由上傳至 Firebase 機器學習 |
可立即使用型號,即使 Android 裝置離線也沒問題 | 模型會隨選下載 |
不需要 Firebase 專案 | 需要 Firebase 專案 |
您必須重新發布應用程式才能更新模型 | 不必重新發布應用程式即可推送模型更新 |
沒有內建 A/B 測試 | 使用 Firebase 遠端設定輕鬆進行 A/B 測試 |
立即試用
- 請參閱視覺快速入門導覽課程應用程式 查看隨附模型的使用範例 automl 快速入門導覽課程應用程式 託管模型的使用範例
事前準備
請務必在專案層級的
build.gradle
檔案中納入 位於buildscript
和 的 Google Maven 存放區allprojects
個版面。將 ML Kit Android 程式庫的依附元件新增至模組的 應用程式層級的 Gradle 檔案,通常為
app/build.gradle
。選擇下列其中一個選項: 您可以視需求選取下列依附元件:將管道與應用程式搭配使用:
dependencies { // ... // Use this dependency to bundle the pipeline with your app implementation 'com.google.mlkit:image-labeling-custom:17.0.3' }
在 Google Play 服務中使用管道的步驟如下:
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' }
如果您選擇在 Google Play 服務中使用管道,您可以 將應用程式設為自動下載管道 您的應用程式是從 Play 商店安裝若要執行此操作,請新增下列程式碼 新增至應用程式的
AndroidManifest.xml
檔案:<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>
也可以明確檢查管道是否可用並要求下載 Google Play 服務 ModuleInstallClient API。
如果沒有啟用安裝期間管道下載功能或要求明確下載, 首次執行標籤人員時,系統會下載管道。您提出的要求 就無法取得任何結果。
如要動態下載,請新增
linkFirebase
依附元件 建立 Vertex AI 模型如要從 Firebase 動態下載模型,請新增
linkFirebase
依附元件: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' }
如要下載模型,請務必 將 Firebase 新增至您的 Android 專案, 如果尚未建立當您要組合模型時,不必做出任何動作。
1. 載入模型
設定本機模型來源
將模型與應用程式組合如下:
將模型檔案 (通常結尾為
.tflite
或.lite
) 複製到應用程式的assets/
資料夾。(您可能需要先建立資料夾, 在app/
資料夾上按一下滑鼠右鍵,然後點選 新增 >資料夾 >素材資源資料夾)。接著,請將以下內容新增至應用程式的
build.gradle
檔案,確保 Gradle 不會在建構應用程式時壓縮模型檔案:android { // ... aaptOptions { noCompress "tflite" // or noCompress "lite" } }
模型檔案將包含在應用程式套件中,並可供 ML Kit 使用 做為原始素材資源
建立
LocalModel
物件,指定模型檔案的路徑: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();
設定 Firebase 託管的模型來源
如要使用遠端託管模型,請建立 RemoteModel
物件:
FirebaseModelSource
,指定您在建立模型時指派模型的名稱
已發布:
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();
接著,啟動模型下載工作,並指定在 您要允許下載的應用程式。如果裝置上沒有該型號,或者是新型號 就能以非同步方式下載該模型 建立 Vertex AI 模型
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. } });
許多應用程式會在初始化程式碼中啟動下載工作,但您 這個模型會在您需要使用模型前執行
設定圖片標籤人員
設定模型來源後,請建立 ImageLabeler
物件,來源如下:
其中之一
可用選項如下所示:
選項 | |
---|---|
confidenceThreshold
|
偵測到標籤的最低可信度分數。如果未設定 系統會使用模型中繼資料指定的分類器門檻。 如果模型未包含任何中繼資料,或中繼資料不包含 指定分類器門檻,預設門檻為 0.0 |
maxResultCount
|
要傳回的標籤數量上限。如果未設定,系統會採用預設值 將使用 10。 |
如果您只有本機組合模型,只要從
LocalModel
物件:
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);
如果您使用的是遠端託管的模型,則須檢查該模型是否已
執行前已下載完成您可以查看模型下載狀態
工作使用模型管理員的 isModelDownloaded()
方法。
雖然您不必在執行標籤人員前確認 同時擁有遠端託管和本機封裝模型 將圖片標籤人員例項化時,要執行這項檢查:請建立 從遠端模型下載標籤人員 反之。
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); } });
如果只有遠端託管的模型,請停用模型相關
或隱藏部分 UI,直到
您確認模型已下載完成附加監聽器即可
複製到模型管理工具的 download()
方法:
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. 準備輸入圖片
接著,為要加上標籤的每張圖片建立InputImage
。
物件中的物件名稱當您使用 Bitmap
時,圖片標籤工具執行速度最快
或者,如果您使用 camera2 API,則 YUV_420_888 media.Image
,這些是
建議選取
您可以建立InputImage
不同來源的 ANR 物件,說明如下。
使用 media.Image
如要建立InputImage
物件,例如從 media.Image
物件擷取圖片
裝置的相機,請傳遞 media.Image
物件和映像檔的
旋轉為 InputImage.fromMediaImage()
。
如果您使用
CameraX 程式庫、OnImageCapturedListener
和
ImageAnalysis.Analyzer
類別會計算旋轉值
不必確保憑證管理是否適當
因為 Google Cloud 會為您管理安全性
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 // ... } } }
如果您沒有使用相機程式庫提供圖片的旋轉角度, 可根據裝置的旋轉角度和相機方向來計算 感應器:
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; }
然後,請傳遞 media.Image
物件和
將度數值旋轉為 InputImage.fromMediaImage()
:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
使用檔案 URI
如要建立InputImage
物件,將應用程式結構定義與檔案 URI 傳遞至
InputImage.fromFilePath()
。如果您要
使用 ACTION_GET_CONTENT
意圖提示使用者選取
取自圖片庫應用程式中的圖片。
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(); }
使用 ByteBuffer
或 ByteArray
如要建立InputImage
ByteBuffer
或 ByteArray
的物件,請先計算圖片
與先前 media.Image
輸入中所述的旋轉角度相同。
接著,使用緩衝區或陣列建立 InputImage
物件,以及
高度、寬度、顏色編碼格式以及旋轉角度:
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 );
使用 Bitmap
如要建立InputImage
物件中,Bitmap
物件,請做出以下宣告:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
圖像以 Bitmap
物件和旋轉角度表示。
3. 執行映像檔標籤工具
如要為圖片中的物件加上標籤,請將 image
物件傳遞至 ImageLabeler
的
process()
方法。
Kotlin
labeler.process(image) .addOnSuccessListener { labels -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
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 // ... } });
4. 取得已加上標籤實體的相關資訊
如果圖片標籤作業成功,系統會顯示ImageLabel
清單。
會將物件傳遞到成功事件監聽器每個 ImageLabel
物件都代表已在圖片中加上標籤的內容。可以取得每個標籤的文字
說明 (若適用於 TensorFlow Lite 模型檔案的中繼資料)、可信度分數和索引。例如:
Kotlin
for (label in labels) { val text = label.text val confidence = label.confidence val index = label.index }
Java
for (ImageLabel label : labels) { String text = label.getText(); float confidence = label.getConfidence(); int index = label.getIndex(); }
即時效能改善訣竅
如要在即時應用程式中為圖片加上標籤,請按照下列步驟操作: 遵循下列原則,才能達到最佳畫面更新率
- 如果您使用
Camera
或camera2
API、 限制對圖片標籤人員的呼叫如果影片有新影片 請捨棄影格,讓圖片標籤工具執行期間可供使用。詳情請參閱VisionProcessorBase
類別的範例。 - 如果您是使用
CameraX
API, 請務必將背壓策略設為預設值ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
。 這麼做可保證系統一次只會傳送一張圖片進行分析。如果圖片較多 會在分析器忙碌時產生,這些作業會自動遭到捨棄,不會排入佇列 廣告放送。以呼叫方式關閉要分析的圖片後 ImageProxy.close(),最新一張圖片才會放送。 - 如果您使用圖片標籤人員的輸出內容來重疊顯示圖像
先從 ML Kit 取得結果,然後算繪圖片
並疊加單一步驟這會轉譯至顯示介面
每個輸入影格只能建立一次詳情請參閱
CameraSourcePreview
和 如需範例,請前往快速入門導覽課程範例應用程式中的GraphicOverlay
類別。 - 如果你使用 Camera2 API,
ImageFormat.YUV_420_888
格式。如果使用舊版 Camera API,請以ImageFormat.NV21
格式。