আপনি ছবি বা ভিডিওতে লেখা, যেমন রাস্তার সাইনের লেখা, শনাক্ত করতে ML Kit ব্যবহার করতে পারেন। এই বৈশিষ্ট্যের প্রধান বৈশিষ্ট্যগুলি হল:
| বৈশিষ্ট্য | আনবান্ডেলড | বান্ডিলযুক্ত |
|---|---|---|
| লাইব্রেরির নাম | com.google.android.gms:play-services-mlkit-text-recognition com.google.android.gms: প্লে-সার্ভিসেস-এমএলকিট-টেক্সট-রিকগনিশন-চাইনিজ com.google.android.gms:play-services-mlkit-text-recognition-দেবনাগরী com.google.android.gms: প্লে-সার্ভিসেস-এমএলকিট-টেক্সট-রিকগনিশন-জাপানি com.google.android.gms:play-services-mlkit-text-recognition-কোরিয়ান | com.google.mlkit: টেক্সট-স্বীকৃতি com.google.mlkit: টেক্সট-রিকগনিশন-চাইনিজ com.google.mlkit:টেক্সট-রিকগনিশন-দেবনাগরী com.google.mlkit: টেক্সট-রিকগনিশন-জাপানি com.google.mlkit: টেক্সট-রিকগনিশন-কোরিয়ান |
| বাস্তবায়ন | মডেলটি গুগল প্লে সার্ভিসেসের মাধ্যমে গতিশীলভাবে ডাউনলোড করা হয়। | মডেলটি তৈরির সময় আপনার অ্যাপের সাথে স্ট্যাটিক্যালি লিঙ্ক করা থাকে। |
| অ্যাপের আকার | প্রতি স্ক্রিপ্ট আর্কিটেকচারে প্রায় ২৬০ কিলোবাইট আকার বৃদ্ধি। | প্রতি আর্কিটেকচারে স্ক্রিপ্টের আকার প্রায় ৪ মেগাবাইট বৃদ্ধি। |
| আরম্ভের সময় | প্রথম ব্যবহারের আগে মডেলটি ডাউনলোড হওয়ার জন্য অপেক্ষা করতে হতে পারে। | মডেলটি অবিলম্বে পাওয়া যাচ্ছে। |
| কর্মক্ষমতা | ল্যাটিন স্ক্রিপ্ট লাইব্রেরির জন্য বেশিরভাগ ডিভাইসে রিয়েল-টাইম, অন্যদের জন্য ধীর। | ল্যাটিন স্ক্রিপ্ট লাইব্রেরির জন্য বেশিরভাগ ডিভাইসে রিয়েল-টাইম, অন্যদের জন্য ধীর। |
চেষ্টা করে দেখো
- এই API এর একটি উদাহরণ ব্যবহারের জন্য নমুনা অ্যাপটি ব্যবহার করুন।
- কোডল্যাব দিয়ে নিজেই কোডটি চেষ্টা করে দেখুন।
শুরু করার আগে
- আপনার প্রজেক্ট-লেভেল
build.gradleফাইলে, আপনারbuildscriptএবংallprojectsউভয় বিভাগেই Google এর Maven রিপোজিটরি অন্তর্ভুক্ত করতে ভুলবেন না। আপনার মডিউলের অ্যাপ-লেভেল গ্রেডল ফাইলে ML কিট অ্যান্ড্রয়েড লাইব্রেরির জন্য নির্ভরতা যোগ করুন, যা সাধারণত
app/build.gradleহয়:আপনার অ্যাপের সাথে মডেলটি বান্ডেল করার জন্য:
dependencies { // To recognize Latin script implementation 'com.google.mlkit:text-recognition:16.0.1' // To recognize Chinese script implementation 'com.google.mlkit:text-recognition-chinese:16.0.1' // To recognize Devanagari script implementation 'com.google.mlkit:text-recognition-devanagari:16.0.1' // To recognize Japanese script implementation 'com.google.mlkit:text-recognition-japanese:16.0.1' // To recognize Korean script implementation 'com.google.mlkit:text-recognition-korean:16.0.1' }গুগল প্লে সার্ভিসে মডেলটি ব্যবহারের জন্য:
dependencies { // To recognize Latin script implementation 'com.google.android.gms:play-services-mlkit-text-recognition:19.0.1' // To recognize Chinese script implementation 'com.google.android.gms:play-services-mlkit-text-recognition-chinese:16.0.1' // To recognize Devanagari script implementation 'com.google.android.gms:play-services-mlkit-text-recognition-devanagari:16.0.1' // To recognize Japanese script implementation 'com.google.android.gms:play-services-mlkit-text-recognition-japanese:16.0.1' // To recognize Korean script implementation 'com.google.android.gms:play-services-mlkit-text-recognition-korean:16.0.1' }যদি আপনি Google Play Services-এ মডেলটি ব্যবহার করতে চান , তাহলে Play Store থেকে আপনার অ্যাপটি ইনস্টল করার পরে ডিভাইসে স্বয়ংক্রিয়ভাবে মডেলটি ডাউনলোড করার জন্য আপনি আপনার অ্যাপটি কনফিগার করতে পারেন। এটি করার জন্য, আপনার অ্যাপের
AndroidManifest.xmlফাইলে নিম্নলিখিত ঘোষণাটি যোগ করুন:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="ocr" > <!-- To use multiple models: android:value="ocr,ocr_chinese,ocr_devanagari,ocr_japanese,ocr_korean,..." --> </application>আপনি Google Play পরিষেবা ModuleInstallClient API এর মাধ্যমে মডেলের উপলব্ধতা স্পষ্টভাবে পরীক্ষা করতে পারেন এবং ডাউনলোডের অনুরোধ করতে পারেন। যদি আপনি ইনস্টল-টাইম মডেল ডাউনলোড সক্ষম না করেন বা স্পষ্ট ডাউনলোডের অনুরোধ না করেন, তাহলে স্ক্যানারটি প্রথমবার চালানোর সময় মডেলটি ডাউনলোড হয়ে যাবে। ডাউনলোড সম্পূর্ণ হওয়ার আগে আপনার করা অনুরোধগুলি কোনও ফলাফল দেয় না।
১. TextRecognizer একটি উদাহরণ তৈরি করুন
উপরে যে লাইব্রেরির উপর নির্ভরতা ঘোষণা করেছেন তার সাথে সম্পর্কিত বিকল্পগুলি পাস করে TextRecognizer এর একটি উদাহরণ তৈরি করুন: কোটলিন
// When using Latin script library val recognizer = TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS) // When using Chinese script library val recognizer = TextRecognition.getClient(ChineseTextRecognizerOptions.Builder().build()) // When using Devanagari script library val recognizer = TextRecognition.getClient(DevanagariTextRecognizerOptions.Builder().build()) // When using Japanese script library val recognizer = TextRecognition.getClient(JapaneseTextRecognizerOptions.Builder().build()) // When using Korean script library val recognizer = TextRecognition.getClient(KoreanTextRecognizerOptions.Builder().build())
জাভা
// When using Latin script library TextRecognizer recognizer = TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS); // When using Chinese script library TextRecognizer recognizer = TextRecognition.getClient(new ChineseTextRecognizerOptions.Builder().build()); // When using Devanagari script library TextRecognizer recognizer = TextRecognition.getClient(new DevanagariTextRecognizerOptions.Builder().build()); // When using Japanese script library TextRecognizer recognizer = TextRecognition.getClient(new JapaneseTextRecognizerOptions.Builder().build()); // When using Korean script library TextRecognizer recognizer = TextRecognition.getClient(new KoreanTextRecognizerOptions.Builder().build());
2. ইনপুট ইমেজ প্রস্তুত করুন
একটি ছবিতে টেক্সট চিনতে, Bitmap , media.Image , ByteBuffer , বাইট অ্যারে, অথবা ডিভাইসের একটি ফাইল থেকে একটি InputImage অবজেক্ট তৈরি করুন। তারপর, InputImage অবজেক্টটিকে TextRecognizer এর processImage পদ্ধতিতে পাস করুন।
আপনি বিভিন্ন উৎস থেকে একটি InputImage অবজেক্ট তৈরি করতে পারেন, প্রতিটি নীচে ব্যাখ্যা করা হয়েছে।
একটি media.Image ব্যবহার করা হচ্ছে। চিত্র
একটি media.Image অবজেক্ট থেকে একটি InputImage অবজেক্ট তৈরি করতে, যেমন যখন আপনি একটি ডিভাইসের ক্যামেরা থেকে একটি ছবি ক্যাপচার করেন, তখন media.Image অবজেক্ট এবং ছবির ঘূর্ণন InputImage.fromMediaImage() এ পাস করুন।
আপনি যদি CameraX লাইব্রেরি ব্যবহার করেন, তাহলে OnImageCapturedListener এবং ImageAnalysis.Analyzer ক্লাসগুলি আপনার জন্য ঘূর্ণন মান গণনা করবে।
কোটলিন
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 // ... } } }
জাভা
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 // ... } } }
যদি আপনি এমন কোনও ক্যামেরা লাইব্রেরি ব্যবহার না করেন যা আপনাকে ছবির ঘূর্ণন ডিগ্রী দেয়, তাহলে আপনি ডিভাইসের ঘূর্ণন ডিগ্রী এবং ডিভাইসে ক্যামেরা সেন্সরের ওরিয়েন্টেশন থেকে এটি গণনা করতে পারেন:
কোটলিন
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 }
জাভা
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; }
তারপর, media.Image অবজেক্ট এবং ঘূর্ণন ডিগ্রি মান InputImage.fromMediaImage() এ পাস করুন:
কোটলিন
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
একটি ফাইল URI ব্যবহার করা হচ্ছে
একটি ফাইল URI থেকে একটি InputImage অবজেক্ট তৈরি করতে, অ্যাপের প্রসঙ্গটি পাস করুন এবং URI ফাইলটি InputImage.fromFilePath() এ দিন। যখন আপনি ACTION_GET_CONTENT ইন্টেন্ট ব্যবহার করে ব্যবহারকারীকে তাদের গ্যালারি অ্যাপ থেকে একটি ছবি নির্বাচন করতে অনুরোধ করেন তখন এটি কার্যকর।
কোটলিন
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(); }
একটি ByteBuffer বা ByteArray ব্যবহার করা
ByteBuffer অথবা ByteArray থেকে InputImage অবজেক্ট তৈরি করতে, প্রথমে media.Image ইনপুটের জন্য পূর্বে বর্ণিত চিত্রের ঘূর্ণন ডিগ্রি গণনা করুন। তারপর, বাফার বা অ্যারে দিয়ে InputImage অবজেক্ট তৈরি করুন, ছবির উচ্চতা, প্রস্থ, রঙ এনকোডিং ফর্ম্যাট এবং ঘূর্ণন ডিগ্রি সহ:
কোটলিন
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 )
জাভা
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 );
Bitmap ব্যবহার করা
একটি Bitmap অবজেক্ট থেকে একটি InputImage অবজেক্ট তৈরি করতে, নিম্নলিখিত ঘোষণাটি করুন:
কোটলিন
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
ছবিটি ঘূর্ণন ডিগ্রি সহ একটি Bitmap বস্তু দ্বারা উপস্থাপিত হয়।
৩. ছবিটি প্রক্রিয়া করুন
ছবিটি process পদ্ধতিতে পাস করুন:
কোটলিন
val result = recognizer.process(image) .addOnSuccessListener { visionText -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
জাভা
Task<Text> result = recognizer.process(image) .addOnSuccessListener(new OnSuccessListener<Text>() { @Override public void onSuccess(Text visionText) { // Task completed successfully // ... } }) .addOnFailureListener( new OnFailureListener() { @Override public void onFailure(@NonNull Exception e) { // Task failed with an exception // ... } });
৪. স্বীকৃত টেক্সটের ব্লক থেকে টেক্সট বের করুন
যদি টেক্সট শনাক্তকরণ অপারেশন সফল হয়, তাহলে একটি Text অবজেক্ট সাকসেস লিসেনারের কাছে পাঠানো হয়। একটি Text অবজেক্টে ছবিতে স্বীকৃত সম্পূর্ণ টেক্সট এবং শূন্য বা তার বেশি TextBlock অবজেক্ট থাকে।
প্রতিটি TextBlock একটি আয়তক্ষেত্রাকার টেক্সট ব্লককে প্রতিনিধিত্ব করে, যাতে শূন্য বা তার বেশি Line অবজেক্ট থাকে। প্রতিটি Line অবজেক্ট একটি টেক্সট লাইনকে প্রতিনিধিত্ব করে, যাতে শূন্য বা তার বেশি Element অবজেক্ট থাকে। প্রতিটি Element অবজেক্ট একটি শব্দ বা শব্দের মতো সত্তাকে প্রতিনিধিত্ব করে, যাতে শূন্য বা তার বেশি Symbol অবজেক্ট থাকে। প্রতিটি Symbol অবজেক্ট একটি অক্ষর, একটি অঙ্ক বা একটি শব্দের মতো সত্তাকে প্রতিনিধিত্ব করে।
প্রতিটি TextBlock , Line , Element এবং Symbol অবজেক্টের জন্য, আপনি অঞ্চলের টেক্সট, অঞ্চলের সীমানা স্থানাঙ্ক এবং ঘূর্ণন তথ্য, আত্মবিশ্বাস স্কোর ইত্যাদির মতো আরও অনেক বৈশিষ্ট্য সনাক্ত করতে পারেন।
উদাহরণস্বরূপ:
কোটলিন
val resultText = result.text for (block in result.textBlocks) { val blockText = block.text val blockCornerPoints = block.cornerPoints val blockFrame = block.boundingBox for (line in block.lines) { val lineText = line.text val lineCornerPoints = line.cornerPoints val lineFrame = line.boundingBox for (element in line.elements) { val elementText = element.text val elementCornerPoints = element.cornerPoints val elementFrame = element.boundingBox } } }
জাভা
String resultText = result.getText(); for (Text.TextBlock block : result.getTextBlocks()) { String blockText = block.getText(); Point[] blockCornerPoints = block.getCornerPoints(); Rect blockFrame = block.getBoundingBox(); for (Text.Line line : block.getLines()) { String lineText = line.getText(); Point[] lineCornerPoints = line.getCornerPoints(); Rect lineFrame = line.getBoundingBox(); for (Text.Element element : line.getElements()) { String elementText = element.getText(); Point[] elementCornerPoints = element.getCornerPoints(); Rect elementFrame = element.getBoundingBox(); for (Text.Symbol symbol : element.getSymbols()) { String symbolText = symbol.getText(); Point[] symbolCornerPoints = symbol.getCornerPoints(); Rect symbolFrame = symbol.getBoundingBox(); } } } }
ছবির নির্দেশিকা ইনপুট করুন
ML Kit সঠিকভাবে টেক্সট শনাক্ত করার জন্য, ইনপুট ছবিতে এমন টেক্সট থাকা আবশ্যক যা পর্যাপ্ত পিক্সেল ডেটা দ্বারা প্রতিনিধিত্ব করে। আদর্শভাবে, প্রতিটি অক্ষর কমপক্ষে 16x16 পিক্সেল হওয়া উচিত। 24x24 পিক্সেলের চেয়ে বড় অক্ষরের জন্য সাধারণত কোনও নির্ভুলতার সুবিধা নেই।
উদাহরণস্বরূপ, একটি 640x480 চিত্র একটি ব্যবসায়িক কার্ড স্ক্যান করার জন্য ভাল কাজ করতে পারে যা ছবির সম্পূর্ণ প্রস্থ দখল করে। অক্ষর আকারের কাগজে মুদ্রিত একটি নথি স্ক্যান করার জন্য, একটি 720x1280 পিক্সেল চিত্রের প্রয়োজন হতে পারে।
ছবির ফোকাস খারাপ হলে টেক্সট শনাক্তকরণের নির্ভুলতা প্রভাবিত হতে পারে। যদি আপনি গ্রহণযোগ্য ফলাফল না পান, তাহলে ব্যবহারকারীকে ছবিটি পুনরায় ক্যাপচার করতে বলুন।
যদি আপনি রিয়েল-টাইম অ্যাপ্লিকেশনে টেক্সট শনাক্ত করেন, তাহলে আপনার ইনপুট ইমেজের সামগ্রিক মাত্রা বিবেচনা করা উচিত। ছোট ইমেজ দ্রুত প্রক্রিয়া করা যায়। ল্যাটেন্সি কমাতে, নিশ্চিত করুন যে টেক্সট যতটা সম্ভব ছবির বেশি অংশ দখল করে এবং কম রেজোলিউশনে ছবি ক্যাপচার করুন (উপরে উল্লিখিত নির্ভুলতার প্রয়োজনীয়তাগুলি মাথায় রেখে)। আরও তথ্যের জন্য, কর্মক্ষমতা উন্নত করার টিপস দেখুন।
কর্মক্ষমতা উন্নত করার টিপস
- যদি আপনি
Cameraঅথবাcamera2API ব্যবহার করেন, তাহলে ডিটেক্টরে থ্রোটল কল আসবে। ডিটেক্টর চলাকালীন যদি একটি নতুন ভিডিও ফ্রেম পাওয়া যায়, তাহলে ফ্রেমটি ফেলে দিন। উদাহরণের জন্য কুইকস্টার্ট নমুনা অ্যাপেVisionProcessorBaseক্লাসটি দেখুন। - যদি আপনি
CameraXAPI ব্যবহার করেন, তাহলে নিশ্চিত করুন যে ব্যাকপ্রেসার কৌশলটি তার ডিফল্ট মানImageAnalysis.STRATEGY_KEEP_ONLY_LATESTতে সেট করা আছে। এটি নিশ্চিত করে যে একবারে বিশ্লেষণের জন্য শুধুমাত্র একটি ছবি সরবরাহ করা হবে। বিশ্লেষক ব্যস্ত থাকাকালীন যদি আরও ছবি তৈরি করা হয়, তাহলে সেগুলি স্বয়ংক্রিয়ভাবে বাদ দেওয়া হবে এবং সরবরাহের জন্য সারিবদ্ধ করা হবে না। ImageProxy.close() কল করে বিশ্লেষণ করা ছবিটি বন্ধ হয়ে গেলে, পরবর্তী সর্বশেষ ছবিটি সরবরাহ করা হবে। - যদি আপনি ইনপুট ছবিতে গ্রাফিক্স ওভারলে করার জন্য ডিটেক্টরের আউটপুট ব্যবহার করেন, তাহলে প্রথমে ML Kit থেকে ফলাফলটি পান, তারপর ছবিটি রেন্ডার করুন এবং এক ধাপে ওভারলে করুন। এটি প্রতিটি ইনপুট ফ্রেমের জন্য শুধুমাত্র একবার ডিসপ্লে সারফেসে রেন্ডার করে। উদাহরণের জন্য কুইকস্টার্ট নমুনা অ্যাপে
CameraSourcePreviewএবংGraphicOverlayক্লাসগুলি দেখুন। - যদি আপনি Camera2 API ব্যবহার করেন, তাহলে
ImageFormat.YUV_420_888ফর্ম্যাটে ছবি তুলুন। যদি আপনি পুরোনো ক্যামেরা API ব্যবহার করেন, তাহলেImageFormat.NV21ফর্ম্যাটে ছবি তুলুন। - কম রেজোলিউশনে ছবি তোলার কথা বিবেচনা করুন। তবে, এই API-এর ছবির মাত্রার প্রয়োজনীয়তাগুলিও মনে রাখবেন।