אפשר להשתמש ב-ML Kit כדי לזהות ולעקוב אחרי אובייקטים בפריימים עוקבים של סרטון.
כשמעבירים תמונה ל-ML Kit, הוא מזהה עד חמישה אובייקטים בתמונה, וגם את המיקום של כל אובייקט בתמונה. כשמזהים אובייקטים בזרמי וידאו, לכל אובייקט יש מזהה ייחודי שאפשר להשתמש בו כדי לעקוב אחרי האובייקט מפריים לפריים. אפשר גם להפעיל סיווג גס של אובייקטים, שמוסיף לאובייקטים תוויות עם תיאורים של קטגוריות רחבות.
רוצה לנסות?
- כדאי להתנסות באפליקציית הדוגמה כדי לראות דוגמה לשימוש ב-API הזה.
- אפשר לעיין באפליקציית הדוגמה של Material Design כדי לראות הטמעה מקצה לקצה של ה-API הזה.
לפני שמתחילים
- בקובץ
build.gradle
ברמת הפרויקט, מוודאים שמאגר Maven של Google נכלל גם בקטעbuildscript
וגם בקטעallprojects
. - מוסיפים את התלויות של ספריות ML Kit Android לקובץ Gradle ברמת האפליקציה של המודול, שבדרך כלל נקרא
app/build.gradle
:dependencies { // ... implementation 'com.google.mlkit:object-detection:17.0.2' }
1. הגדרת גלאי האובייקטים
כדי לזהות ולעקוב אחרי אובייקטים, קודם יוצרים מופע של ObjectDetector
ואפשר גם לציין הגדרות של גלאי שרוצים לשנות מהגדרות ברירת המחדל.
מגדירים את הכלי לזיהוי אובייקטים לתרחיש לדוגמה באמצעות אובייקט
ObjectDetectorOptions
. אפשר לשנות את ההגדרות הבאות:הגדרות של זיהוי אובייקטים מצב זיהוי STREAM_MODE
(ברירת מחדל) |SINGLE_IMAGE_MODE
ב-
STREAM_MODE
(ברירת מחדל), גלאי האובייקטים פועל עם זמן אחזור נמוך, אבל יכול להיות שיוצרו תוצאות לא מלאות (כמו תיבות תוחמות או תוויות קטגוריה לא מוגדרות) בכמה ההפעלות הראשונות של הגלאי. בנוסף, ב-STREAM_MODE
, הגלאי מקצה מזהי מעקב לאובייקטים, שאפשר להשתמש בהם כדי לעקוב אחרי אובייקטים בפריים. משתמשים במצב הזה כשרוצים לעקוב אחרי אובייקטים, או כשחשוב להשתמש בחביון נמוך, למשל כשמעבדים זרמי וידאו בזמן אמת.ב-
SINGLE_IMAGE_MODE
, גלאי האובייקטים מחזיר את התוצאה אחרי שנקבע תיבת התוחמת של האובייקט. אם מפעילים גם סיווג, התוצאה מוחזרת אחרי שתיבת התוחמת ותווית הקטגוריה זמינות. כתוצאה מכך, זמן האחזור של הזיהוי עלול להיות ארוך יותר. בנוסף, במודעות לרכישת אפליקציות לנייד ב-SINGLE_IMAGE_MODE
לא מוקצים מזהים לצורכי מעקב. כדאי להשתמש במצב הזה אם זמן האחזור לא קריטי ואתם לא רוצים להתמודד עם תוצאות חלקיות.זיהוי ומעקב אחרי כמה אובייקטים false
(ברירת מחדל) |true
האם לזהות ולעקוב אחרי עד חמישה אובייקטים או רק אחרי האובייקט הבולט ביותר (ברירת מחדל).
סיווג אובייקטים false
(ברירת מחדל) |true
האם לסווג את האובייקטים שזוהו לקטגוריות גסות. כשהתכונה מופעלת, גלאי האובייקטים מסווג אובייקטים לקטגוריות הבאות: מוצרי אופנה, מזון, מוצרים לבית, מקומות וצמחים.
ממשק ה-API לזיהוי ולמעקב אחרי אובייקטים מותאם לשני תרחישי השימוש העיקריים האלה:
- זיהוי ומעקב בזמן אמת אחרי האובייקט הבולט ביותר בתצוגת עינית המצלמה.
- זיהוי של כמה אובייקטים מתמונה סטטית.
כדי להגדיר את ה-API לתרחישי השימוש 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();
קבלת מופע של
ObjectDetector
:Kotlin
val objectDetector = ObjectDetection.getClient(options)
Java
ObjectDetector objectDetector = ObjectDetection.getClient(options);
2. הכנת תמונת הקלט
כדי לזהות ולעקוב אחרי אובייקטים, מעבירים תמונות לשיטתObjectDetector
instanceprocess()
.
גלאי האובייקטים פועל ישירות מ-Bitmap
, NV21 ByteBuffer
או מ-YUV_420_888 media.Image
. מומלץ ליצור InputImage
מהמקורות האלה אם יש לכם גישה ישירה לאחד מהם. אם תיצרו InputImage
ממקורות אחרים, אנחנו נטפל בהמרה באופן פנימי בשבילכם, ויכול להיות שהיא תהיה פחות יעילה.
לכל פריים של סרטון או תמונה ברצף, מבצעים את הפעולות הבאות:
אפשר ליצור אובייקט InputImage
ממקורות שונים, שכל אחד מהם מוסבר בהמשך.
שימוש ב-media.Image
כדי ליצור אובייקט InputImage
מאובייקט media.Image
, למשל כשמצלמים תמונה במצלמה של מכשיר, מעבירים את אובייקט media.Image
ואת הסיבוב של התמונה אל InputImage.fromMediaImage()
.
אם משתמשים בספריית
CameraX, המחלקות OnImageCapturedListener
ו-ImageAnalysis.Analyzer
מחשבות את ערך הסיבוב בשבילכם.
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 זווית הסיבוב של התמונה, אתם יכולים לחשב אותה לפי זווית 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 ערך מעלות 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
מ-URI של קובץ, מעבירים את הקשר של האפליקציה ואת ה-URI של הקובץ אל InputImage.fromFilePath()
. זה שימושי כשמשתמשים בACTION_GET_CONTENT
intent כדי להנחות את המשתמש 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 צריך לחשב את זווית הסיבוב של התמונה כמו שמתואר למעלה לגבי קלט media.Image
.
לאחר מכן, יוצרים את האובייקט InputImage
עם המאגר או המערך, יחד עם הגובה, הרוחב, פורמט קידוד הצבע וזווית 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
מאובייקט Bitmap
, צריך להצהיר על הדברים הבאים:
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. קבלת מידע על אובייקטים שזוהו
אם הקריאה אל process()
מצליחה, רשימה של DetectedObject
מועברת אל מאזין ההצלחה.
כל DetectedObject
מכיל את המאפיינים הבאים:
תיבה תוחמת (bounding box) | Rect שמציין את מיקום האובייקט בתמונה. |
||||||
מזהה לצורכי מעקב | מספר שלם שמזהה את האובייקט בתמונות. 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(); } }
איך מבטיחים חוויית משתמש מעולה
כדי לספק את חוויית המשתמש הכי טובה, צריך לפעול לפי ההנחיות הבאות באפליקציה:
- זיהוי אובייקט מוצלח תלוי במורכבות החזותית של האובייקט. כדי שאובייקטים עם מספר קטן של מאפיינים חזותיים יזוהו, יכול להיות שהם יצטרכו לתפוס חלק גדול יותר מהתמונה. חשוב לספק למשתמשים הנחיות לגבי צילום קלט שמתאים לסוג האובייקטים שרוצים לזהות.
- כשמשתמשים בסיווג, אם רוצים לזהות אובייקטים שלא נכנסים בצורה ברורה לקטגוריות הנתמכות, צריך להטמיע טיפול מיוחד באובייקטים לא ידועים.
כדאי גם לעיין באפליקציית הדוגמה של ML Kit Material Design ובאוסף הדפוסים של Material Design לתכונות שמבוססות על למידת מכונה.
Improving performance
אם רוצים להשתמש בזיהוי אובייקטים באפליקציה בזמן אמת, כדאי לפעול לפי ההנחיות הבאות כדי להשיג את קצב הפריימים הטוב ביותר:
כשמשתמשים במצב סטרימינג באפליקציה בזמן אמת, לא מומלץ להשתמש בכמה זיהוי אובייקטים, כי רוב המכשירים לא יוכלו להפיק קצב פריימים הולם.
אם לא צריך את הסיווג, משביתים אותו.
- אם אתם משתמשים ב-API
Camera
אוcamera2
, כדאי להגביל את מספר הקריאות לגלאי. אם פריים חדש של סרטון יהיה זמין בזמן שהגלאי פועל, הפריים יימחק. דוגמה אפשר לראות במחלקהVisionProcessorBase
באפליקציית הדוגמה למתחילים. - אם אתם משתמשים ב-API
CameraX
, חשוב לוודא ששיטת הלחץ האחורי מוגדרת לערך ברירת המחדל שלהImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
. כך מובטח שרק תמונה אחת תישלח לניתוח בכל פעם. אם ייווצרו עוד תמונות בזמן שהכלי לניתוח עסוק, הן יימחקו אוטומטית ולא יתווספו לתור להעברה. אחרי שהתמונה שמנותחת נסגרת על ידי קריאה ל-ImageProxy.close(), התמונה העדכנית הבאה תועבר. - אם משתמשים בפלט של הגלאי כדי להוסיף גרפיקה לתמונת הקלט, קודם צריך לקבל את התוצאה מ-ML Kit, ואז לעבד את התמונה ולהוסיף את הגרפיקה בשלב אחד. הרינדור מתבצע במשטח התצוגה
רק פעם אחת לכל מסגרת קלט. אפשר לראות דוגמה במחלקות
CameraSourcePreview
ו-GraphicOverlay
באפליקציה לדוגמה למתחילים. - אם אתם משתמשים ב-Camera2 API, צלמו תמונות בפורמט
ImageFormat.YUV_420_888
. אם משתמשים בגרסה ישנה יותר של Camera API, צריך לצלם תמונות בפורמטImageFormat.NV21
.