Android पर एमएल किट की मदद से चेहरों की पहचान करना

इमेज और वीडियो में चेहरों का पता लगाने के लिए, ML Kit का इस्तेमाल किया जा सकता है.

यह एपीआई, अनबंडल की गई लाइब्रेरी का इस्तेमाल करके उपलब्ध है. इसे इस्तेमाल करने से पहले डाउनलोड करना ज़रूरी है. इसके अलावा, बंडल की गई लाइब्रेरी का इस्तेमाल करके भी यह एपीआई उपलब्ध है. हालांकि, इससे आपके ऐप्लिकेशन का साइज़ बढ़ जाता है. इंस्टॉल करने के दोनों विकल्पों के बीच के अंतर के बारे में ज़्यादा जानने के लिए, यह गाइड देखें.

सुविधा	अनबंडल की गई लाइब्रेरी	बंडल की गई लाइब्रेरी
लागू करना	मॉडल को Google Play services के ज़रिए डाइनैमिक तरीके से डाउनलोड किया जाता है.	मॉडल को, ऐप्लिकेशन के बिल्ड प्रोसेस में लगने वाले समय के दौरान स्टैटिक तरीके से लिंक किया जाता है.
ऐप्लिकेशन का साइज़	साइज़ में करीब 800 केबी की बढ़ोतरी.	साइज़ में करीब 6.9 एमबी की बढ़ोतरी.
शुरू होने में लगने वाला समय	पहली बार इस्तेमाल करने से पहले, मॉडल के डाउनलोड होने का इंतज़ार करना पड़ सकता है.	मॉडल तुरंत उपलब्ध हो जाता है

इसे आज़माएं

• इस एपीआई के इस्तेमाल का उदाहरण देखने के लिए, सैंपल ऐप्लिकेशन आज़माएं.
• कोडलैब की मदद से, कोड को खुद आज़माएं.

शुरू करने से पहले

इस एपीआई के लिए, Android का एपीआई लेवल 23 या उससे ऊपर का वर्शन ज़रूरी है. पक्का करें कि आपके ऐप्लिकेशन की बिल्ड फ़ाइल में, minSdkVersion की वैल्यू 23 या उससे ज़्यादा हो.

1. अपने प्रोजेक्ट-लेवल की build.gradle फ़ाइल में, पक्का करें कि आपने buildscript और allprojects दोनों सेक्शन में, Google की Maven रिपॉज़िटरी शामिल की हो.

2. अपने मॉड्यूल की ऐप्लिकेशन-लेवल की Gradle फ़ाइल में, ML Kit की Android लाइब्रेरी के लिए डिपेंडेंसी जोड़ें. आम तौर पर, यह फ़ाइल app/build.gradle होती है. अपनी ज़रूरत के हिसाब से, इनमें से कोई एक डिपेंडेंसी चुनें:

   मॉडल को अपने ऐप्लिकेशन के साथ बंडल करने के लिए:

   dependencies {
     // ...
     // Use this dependency to bundle the model with your app
     implementation 'com.google.mlkit:face-detection:16.1.7'
   }
   

   Google Play services में मॉडल का इस्तेमाल करने के लिए:

   dependencies {
     // ...
     // Use this dependency to use the dynamically downloaded model in Google Play Services
     implementation 'com.google.android.gms:play-services-mlkit-face-detection:17.1.0'
   }
   

3. अगर आपने Google Play services में मॉडल का इस्तेमाल करने का विकल्प चुना है, तो अपने ऐप्लिकेशन को इस तरह कॉन्फ़िगर करें कि Play Store से इंस्टॉल होने के बाद, मॉडल अपने-आप डिवाइस पर डाउनलोड हो जाए. ऐसा करने के लिए, अपने ऐप्लिकेशन की AndroidManifest.xml फ़ाइल में यह एलान जोड़ें:

   <application ...>
         ...
         <meta-data
             android:name="com.google.mlkit.vision.DEPENDENCIES"
             android:value="face" >
         <!-- To use multiple models: android:value="face,model2,model3" -->
   </application>
   

   आपके पास मॉडल की उपलब्धता की साफ़ तौर पर जांच करने और Google Play services ModuleInstallClient APIके ज़रिए डाउनलोड करने का अनुरोध करने का विकल्प भी होता है.

   अगर आपने इंस्टॉल के दौरान मॉडल डाउनलोड करने की सुविधा चालू नहीं की है या साफ़ तौर पर डाउनलोड करने का अनुरोध नहीं किया है, तो डिटेक्टर को पहली बार चलाने पर मॉडल डाउनलोड हो जाता है. डाउनलोड पूरा होने से पहले किए गए अनुरोधों के कोई नतीजे नहीं मिलते.

इनपुट इमेज के लिए दिशा-निर्देश

चेहरे की पहचान करने के लिए, कम से कम 480x360 पिक्सल डाइमेंशन वाली इमेज का इस्तेमाल करें. ML Kit को चेहरों की सटीक पहचान करने के लिए, इनपुट इमेज में ऐसे चेहरे होने चाहिए जो पिक्सल डेटा के ज़रिए दिखाए गए हों. आम तौर पर, किसी इमेज में जिस चेहरे की पहचान करनी है वह कम से कम 100x100 पिक्सल का होना चाहिए. अगर आपको चेहरों के आकार की पहचान करनी है, तो ML Kit को ज़्यादा रिज़ॉल्यूशन वाले इनपुट की ज़रूरत होती है. हर चेहरा कम से कम 200x200 पिक्सल का होना चाहिए.

अगर आपको रीयल-टाइम ऐप्लिकेशन में चेहरों की पहचान करनी है, तो इनपुट इमेज के कुल डाइमेंशन पर भी ध्यान देना पड़ सकता है. छोटी इमेज को ज़्यादा तेज़ी से प्रोसेस किया जा सकता है. इसलिए, इंतज़ार का समय कम करने के लिए, कम रिज़ॉल्यूशन वाली इमेज कैप्चर करें. हालांकि, सटीक पहचान के लिए ऊपर बताई गई ज़रूरी शर्तों को ध्यान में रखें और पक्का करें कि इमेज में विषय का चेहरा ज़्यादा से ज़्यादा दिखे. रीयल-टाइम परफ़ॉर्मेंस को बेहतर बनाने के लिए सलाह भी देखें .

इमेज का फ़ोकस खराब होने से भी सटीक पहचान पर असर पड़ सकता है. अगर आपको सही नतीजे नहीं मिलते हैं, तो उपयोगकर्ता से इमेज को फिर से कैप्चर करने के लिए कहें.

कैमरे के मुकाबले चेहरे की दिशा से भी, इस बात पर असर पड़ सकता है कि ML Kit, चेहरे की किन विशेषताओं की पहचान करता है. चेहरे की पहचान से जुड़े कॉन्सेप्ट देखें.

1. चेहरे की पहचान करने वाले डिटेक्टर को कॉन्फ़िगर करना

किसी इमेज पर चेहरे की पहचान की सुविधा लागू करने से पहले, अगर आपको चेहरे की पहचान करने वाले डिटेक्टर की किसी डिफ़ॉल्ट सेटिंग में बदलाव करना है, तो उन सेटिंग को FaceDetectorOptions ऑब्जेक्ट के साथ तय करें. आपके पास ये सेटिंग बदलने का विकल्प है:

सेटिंग
setPerformanceMode	PERFORMANCE_MODE_FAST (डिफ़ॉल्ट) | PERFORMANCE_MODE_ACCURATE चेहरों की पहचान करते समय, स्पीड या सटीक पहचान को प्राथमिकता दें.
setLandmarkMode	LANDMARK_MODE_NONE (डिफ़ॉल्ट) | LANDMARK_MODE_ALL चेहरे की "विशेषताओं" की पहचान करनी है या नहीं. जैसे: आंखें, कान, नाक, गाल, मुंह वगैरह.
setContourMode	CONTOUR_MODE_NONE (डिफ़ॉल्ट) | CONTOUR_MODE_ALL चेहरे की विशेषताओं के आकार की पहचान करनी है या नहीं. आकार की पहचान, किसी इमेज में सिर्फ़ सबसे अहम चेहरे के लिए की जाती है.
setClassificationMode	CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट) | CLASSIFICATION_MODE_ALL चेहरों को "मुस्कुराना" और "आंखें खुली होना" जैसी कैटगरी में बांटा जाना है या नहीं.
setMinFaceSize	float (डिफ़ॉल्ट: 0.1f) चेहरे के सबसे छोटे साइज़ को सेट करता है. इसे सिर की चौड़ाई और इमेज की चौड़ाई के अनुपात के तौर पर दिखाया जाता है.
enableTracking	false (डिफ़ॉल्ट) | true चेहरों को आईडी असाइन करना है या नहीं. इसका इस्तेमाल, अलग-अलग इमेज में चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि आकार की पहचान की सुविधा चालू होने पर, सिर्फ़ एक चेहरे की पहचान की जाती है. इसलिए, चेहरे को ट्रैक करने से कोई काम के नतीजे नहीं मिलते. इस वजह से और पहचान की स्पीड को बेहतर बनाने के लिए, आकार की पहचान और चेहरे को ट्रैक करने, दोनों की सुविधा चालू न करें.

उदाहरण के लिए:

Kotlin

// High-accuracy landmark detection and face classification
val highAccuracyOpts = FaceDetectorOptions.Builder()
        .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE)
        .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL)
        .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL)
        .build()

// Real-time contour detection
val realTimeOpts = FaceDetectorOptions.Builder()
        .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL)
        .build()
FaceDetectionActivity.kt

Java

// High-accuracy landmark detection and face classification
FaceDetectorOptions highAccuracyOpts =
        new FaceDetectorOptions.Builder()
                .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE)
                .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL)
                .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL)
                .build();

// Real-time contour detection
FaceDetectorOptions realTimeOpts =
        new FaceDetectorOptions.Builder()
                .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL)
                .build();
FaceDetectionActivity.java

2. इनपुट इमेज तैयार करना

किसी इमेज में चेहरों की पहचान करने के लिए, Bitmap, media.Image, ByteBuffer, बाइट ऐरे या डिवाइस पर मौजूद किसी फ़ाइल से InputImage ऑब्जेक्ट बनाएं. इसके बाद, InputImage ऑब्जेक्ट को FaceDetector के process तरीके में पास करें.

चेहरे की पहचान करने के लिए, कम से कम 480x360 पिक्सल डाइमेंशन वाली इमेज का इस्तेमाल करें. अगर आपको रीयल-टाइम में चेहरों की पहचान करनी है, तो इस कम से कम रिज़ॉल्यूशन पर फ़्रेम कैप्चर करने से, इंतज़ार का समय कम हो सकता है.

InputImage ऑब्जेक्ट को अलग-अलग सोर्स से बनाया जा सकता है. हर सोर्स के बारे में यहां बताया गया है.

media.Image का इस्तेमाल करना

media.Image ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, जैसे कि डिवाइस के कैमरे से इमेज कैप्चर करने पर, media.Image ऑब्जेक्ट और इमेज के रोटेशन को InputImage.fromMediaImage() में पास करें.

अगर CameraX लाइब्रेरी का इस्तेमाल किया जाता है, तो OnImageCapturedListener और ImageAnalysis.Analyzer क्लास, आपके लिए रोटेशन की वैल्यू का हिसाब लगाती हैं.

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
          // ...
        }
    }
}

अगर आपने ऐसी कैमरा लाइब्रेरी का इस्तेमाल नहीं किया है जिससे आपको इमेज के रोटेशन की डिग्री मिलती है, तो डिवाइस के रोटेशन की डिग्री और डिवाइस में मौजूद कैमरा सेंसर की दिशा से इसका हिसाब लगाया जा सकता है:

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
}
MLKitVisionImage.kt

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;
}

इसके बाद, media.Image ऑब्जेक्ट और रोटेशन की डिग्री की वैल्यू को InputImage.fromMediaImage() में पास करें:

Kotlin

val image = InputImage.fromMediaImage(mediaImage, rotation)
MLKitVisionImage.kt

Java

InputImage image = InputImage.fromMediaImage(mediaImage, rotation);

फ़ाइल यूआरआई का इस्तेमाल करना

फ़ाइल यूआरआई से InputImage ऑब्जेक्ट बनाने के लिए, ऐप्लिकेशन का कॉन्टेक्स्ट और फ़ाइल यूआरआई को InputImage.fromFilePath() में पास करें. यह तब काम आता है, जब आप ACTION_GET_CONTENT इंटेंट का इस्तेमाल करके, उपयोगकर्ता को अपनी गैलरी ऐप्लिकेशन से इमेज चुनने के लिए कहते हैं.

Kotlin

val image: InputImage
try {
    image = InputImage.fromFilePath(context, uri)
} catch (e: IOException) {
    e.printStackTrace()
}
MLKitVisionImage.kt

Java

InputImage image;
try {
    image = InputImage.fromFilePath(context, uri);
} catch (IOException e) {
    e.printStackTrace();
}

ByteBuffer या ByteArray का इस्तेमाल करना

ByteBuffer या ByteArray से InputImage ऑब्जेक्ट बनाने के लिए, पहले इमेज के रोटेशन की डिग्री का हिसाब लगाएं. जैसा कि media.Image इनपुट के लिए पहले बताया गया है. इसके बाद, बफ़र या ऐरे के साथ-साथ, इमेज की ऊंचाई, चौड़ाई, कलर एन्कोडिंग फ़ॉर्मैट, और रोटेशन की डिग्री के साथ InputImage ऑब्जेक्ट बनाएं:

Kotlin

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
MLKitVisionImage.kt
// Or:
val image = InputImage.fromByteArray(
        byteArray,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
MLKitVisionImage.kt

Java

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);
MLKitVisionImage.java
// Or:
InputImage image = InputImage.fromByteArray(
        byteArray,
        /* image width */480,
        /* image height */360,
        rotation,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);
MLKitVisionImage.java

Bitmap का इस्तेमाल करना

Bitmap ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, यह एलान करें:

Kotlin

val image = InputImage.fromBitmap(bitmap, 0)
MLKitVisionImage.kt

Java

InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
MLKitVisionImage.java

इमेज को रोटेशन की डिग्री के साथ Bitmap ऑब्जेक्ट के तौर पर दिखाया जाता है.

3. FaceDetector का इंस्टेंस पाना

Kotlin

val detector = FaceDetection.getClient(options)
// Or, to use the default option:
// val detector = FaceDetection.getClient();
FaceDetectionActivity.kt

Java

FaceDetector detector = FaceDetection.getClient(options);
// Or use the default options:
// FaceDetector detector = FaceDetection.getClient();
FaceDetectionActivity.java

4. इमेज को प्रोसेस करना

इमेज को process तरीके में पास करें:

Kotlin

val result = detector.process(image)
        .addOnSuccessListener { faces ->
            // Task completed successfully
            // ...
        }
        .addOnFailureListener { e ->
            // Task failed with an exception
            // ...
        }
FaceDetectionActivity.kt

Java

Task<List<Face>> result =
        detector.process(image)
                .addOnSuccessListener(
                        new OnSuccessListener<List<Face>>() {
                            @Override
                            public void onSuccess(List<Face> faces) {
                                // Task completed successfully
                                // ...
                            }
                        })
                .addOnFailureListener(
                        new OnFailureListener() {
                            @Override
                            public void onFailure(@NonNull Exception e) {
                                // Task failed with an exception
                                // ...
                            }
                        });
FaceDetectionActivity.java

ध्यान दें: अगर CameraX API का इस्तेमाल किया जा रहा है, तो इसका इस्तेमाल पूरा होने के बाद, ImageProxy को बंद करना न भूलें. जैसे, process तरीके से मिले Task में OnCompleteListener जोड़कर. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

5. पहचान किए गए चेहरों के बारे में जानकारी पाना

अगर चेहरे की पहचान की प्रोसेस पूरी हो जाती है, तो सफलता के लिसनर को Face ऑब्जेक्ट की सूची पास की जाती है. हर Face ऑब्जेक्ट, इमेज में पहचाने गए चेहरे को दिखाता है. हर चेहरे के लिए, इनपुट इमेज में उसके बाउंडिंग कोऑर्डिनेट के साथ-साथ, वह अन्य जानकारी भी पाई जा सकती है जिसे ढूंढने के लिए, आपने चेहरे की पहचान करने वाले डिटेक्टर को कॉन्फ़िगर किया है. उदाहरण के लिए:

Kotlin

for (face in faces) {
    val bounds = face.boundingBox
    val rotY = face.headEulerAngleY // Head is rotated to the right rotY degrees
    val rotZ = face.headEulerAngleZ // Head is tilted sideways rotZ degrees

    // If landmark detection was enabled (mouth, ears, eyes, cheeks, and
    // nose available):
    val leftEar = face.getLandmark(FaceLandmark.LEFT_EAR)
    leftEar?.let {
        val leftEarPos = leftEar.position
    }

    // If contour detection was enabled:
    val leftEyeContour = face.getContour(FaceContour.LEFT_EYE)?.points
    val upperLipBottomContour = face.getContour(FaceContour.UPPER_LIP_BOTTOM)?.points

    // If classification was enabled:
    if (face.smilingProbability != null) {
        val smileProb = face.smilingProbability
    }
    if (face.rightEyeOpenProbability != null) {
        val rightEyeOpenProb = face.rightEyeOpenProbability
    }

    // If face tracking was enabled:
    if (face.trackingId != null) {
        val id = face.trackingId
    }
}
FaceDetectionActivity.kt

Java

for (Face face : faces) {
    Rect bounds = face.getBoundingBox();
    float rotY = face.getHeadEulerAngleY();  // Head is rotated to the right rotY degrees
    float rotZ = face.getHeadEulerAngleZ();  // Head is tilted sideways rotZ degrees

    // If landmark detection was enabled (mouth, ears, eyes, cheeks, and
    // nose available):
    FaceLandmark leftEar = face.getLandmark(FaceLandmark.LEFT_EAR);
    if (leftEar != null) {
        PointF leftEarPos = leftEar.getPosition();
    }

    // If contour detection was enabled:
    List<PointF> leftEyeContour =
            face.getContour(FaceContour.LEFT_EYE).getPoints();
    List<PointF> upperLipBottomContour =
            face.getContour(FaceContour.UPPER_LIP_BOTTOM).getPoints();

    // If classification was enabled:
    if (face.getSmilingProbability() != null) {
        float smileProb = face.getSmilingProbability();
    }
    if (face.getRightEyeOpenProbability() != null) {
        float rightEyeOpenProb = face.getRightEyeOpenProbability();
    }

    // If face tracking was enabled:
    if (face.getTrackingId() != null) {
        int id = face.getTrackingId();
    }
}
FaceDetectionActivity.java

चेहरे के आकार का उदाहरण

चेहरे के आकार की पहचान की सुविधा चालू होने पर, आपको चेहरे की हर उस विशेषता के लिए पॉइंट की सूची मिलती है जिसकी पहचान की गई है. ये पॉइंट, विशेषता के आकार को दिखाते हैं. आकार को कैसे दिखाया जाता है, इस बारे में ज़्यादा जानने के लिए, चेहरे की पहचान से जुड़े कॉन्सेप्ट देखें.

यहां दी गई इमेज से पता चलता है कि ये पॉइंट, चेहरे से कैसे मैप होते हैं. इमेज को बड़ा करने के लिए, उस पर क्लिक करें:

रीयल-टाइम में चेहरे की पहचान

अगर आपको रीयल-टाइम ऐप्लिकेशन में चेहरे की पहचान की सुविधा का इस्तेमाल करना है, तो सबसे अच्छे फ़्रेमरेट पाने के लिए, इन दिशा-निर्देशों का पालन करें:

• चेहरे की पहचान करने वाले डिटेक्टर को, चेहरे के आकार की पहचान या कैटगरी में बांटने और लैंडमार्क की पहचान करने के लिए कॉन्फ़िगर करें. दोनों के लिए नहीं:

  आकार की पहचान
  लैंडमार्क की पहचान
  कैटगरी में बांटना
  लैंडमार्क की पहचान और कैटगरी में बांटना
  आकार की पहचान और लैंडमार्क की पहचान
  आकार की पहचान और कैटगरी में बांटना
  आकार की पहचान, लैंडमार्क की पहचान, और कैटगरी में बांटना
  

• FAST मोड चालू करें. यह डिफ़ॉल्ट रूप से चालू होता है.

• कम रिज़ॉल्यूशन वाली इमेज कैप्चर करने पर विचार करें. हालांकि, इस एपीआई के लिए इमेज के डाइमेंशन की ज़रूरी शर्तों को भी ध्यान में रखें.

अगर Camera या camera2 API का इस्तेमाल किया जाता है, तो डिटेक्टर को कॉल करने की संख्या सीमित करें. अगर डिटेक्टर के चालू होने के दौरान, वीडियो का कोई नया फ़्रेम उपलब्ध होता है, तो उस फ़्रेम को छोड़ दें. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

अगर CameraX API का इस्तेमाल किया जाता है, तो पक्का करें कि बैकप्रेशर की रणनीति, अपनी डिफ़ॉल्ट वैल्यू ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST पर सेट हो. इससे यह पक्का होता है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज डिलीवर की जाएगी. अगर एनालाइज़र के व्यस्त होने पर ज़्यादा इमेज जनरेट होती हैं, तो उन्हें अपने-आप छोड़ दिया जाएगा और डिलीवरी के लिए लाइन में नहीं लगाया जाएगा. विश्लेषण की जा रही इमेज को ImageProxy.close() को कॉल करके बंद करने के बाद, अगली सबसे नई इमेज डिलीवर की जाएगी.

अगर इनपुट इमेज पर ग्राफ़िक्स को ओवरले करने के लिए, डिटेक्टर के आउटपुट का इस्तेमाल किया जाता है, तो पहले ML Kit से नतीजे पाएं. इसके बाद, इमेज और ओवरले को एक ही चरण में रेंडर करें. इससे, हर इनपुट फ़्रेम के लिए, डिसप्ले सर्फ़ेस पर सिर्फ़ एक बार रेंडर किया जाता है. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में CameraSourcePreview और GraphicOverlay क्लास देखें.

अगर Camera2 API का इस्तेमाल किया जाता है, तो ImageFormat.YUV_420_888 फ़ॉर्मैट में इमेज कैप्चर करें. अगर पुराने Camera API का इस्तेमाल किया जाता है, तो ImageFormat.NV21 फ़ॉर्मैट में इमेज कैप्चर करें.