Android-এ AutoML-এর মাধ্যমে ট্রেনিং দেওয়া মডেল ব্যবহার করে ছবিতে লেবেল লাগানো

AutoML Vision Edge ব্যবহার করে আপনার নিজস্ব মডেলকে ট্রেনিং দেওয়ার পরে, আপনি ছবি লেবেল করার জন্য এটি আপনার অ্যাপে ব্যবহার করতে পারবেন। AutoML Vision Edge থেকে প্রশিক্ষিত মডেলগুলিকে সংহত করার দুটি উপায় রয়েছে: আপনি আপনার অ্যাপের অ্যাসেট ফোল্ডারের ভিতরে রেখে মডেলটিকে বান্ডিল করতে পারেন, অথবা আপনি Firebase থেকে এটি ডাইনামিকভাবে ডাউনলোড করতে পারেন।
মডেল বান্ডেল করার বিকল্প
আপনার অ্যাপে বান্ডেল করা আছে
  • মডেলটি আপনার অ্যাপের APK-এর অংশ
  • Android ডিভাইস অফলাইনে থাকলেও, মডেলটি অবিলম্বে উপলভ্য হয়
  • Firebase প্রোজেক্টের প্রয়োজন নেই
Firebase-এর মাধ্যমে হোস্ট করা
  • মডেলটি Firebase Machine Learning-এ আপলোড করে হোস্ট করুন
  • APK-এর সাইজ কমায়
  • চাহিদা অনুযায়ী মডেল ডাউনলোড করা হয়
  • আপনার অ্যাপ আবার প্রকাশ না করেই মডেল আপডেট পুশ করা
  • Firebase রিমোট কনফিগ-এর মাধ্যমে সহজে A/B টেস্টিং
  • Firebase প্রোজেক্ট থাকতে হবে

এটি ব্যবহার করে দেখুন

শুরু করার আগে

১. আপনার প্রোজেক্ট-লেভেল build.gradle ফাইলে, এগুলি অন্তর্ভুক্ত করতে ভুলবেন না: আপনার buildscript এবং allprojects বিভাগে Google-এর Maven রিপোজিটরি।

২. আপনার মডিউলের অ্যাপ-লেভেল gradle ফাইলে ML Kit Android লাইব্রেরির জন্য ডিপেন্ডেন্সি যোগ করুন, যা সাধারণত app/build.gradle: আপনার অ্যাপের সাথে মডেল বান্ডেল করার জন্য: 
    dependencies {
      // ...
      // Image labeling feature with bundled automl model
      implementation 'com.google.mlkit:image-labeling-automl:16.2.1'
    }
Firebase থেকে ডায়নামিক মডেল ডাউনলোড করতে, linkFirebase ডিপেন্ডেন্সি যোগ করুন: 
    dependencies {
      // ...
      // Image labeling feature with automl model downloaded
      // from firebase
      implementation 'com.google.mlkit:image-labeling-automl:16.2.1'
      implementation 'com.google.mlkit:linkfirebase:16.0.1'
    }
৩. আপনি কোনও মডেল ডাউনলোড করতে চাইলে, নিশ্চিত করুন যে আপনি আপনার Android প্রোজেক্টে Firebase যোগ করেছেন, যদি আগে থেকে এটি না করে থাকেন। মডেল বান্ডেল করার সময় এটি প্রয়োজন হয় না।

১. মডেল লোড করুন

লোকাল মডেল সোর্স কনফিগার করা

আপনার অ্যাপের সাথে মডেল বান্ডেল করতে:

১. Firebase কনসোল থেকে ডাউনলোড করা zip আর্কাইভ থেকে মডেল ও এর মেটাডেটা এক্সট্র্যাক্ট করুন। আমরা সাজেস্ট করি যে আপনি ফাইলগুলি যেভাবে ডাউনলোড করেছেন সেভাবেই ব্যবহার করুন, কোনও পরিবর্তন (ফাইলের নাম সহ) করবেন না।

২. আপনার অ্যাপ প্যাকেজে মডেল ও এর মেটাডেটা ফাইল অন্তর্ভুক্ত করুন:

ক. আপনার প্রোজেক্টে অ্যাসেট ফোল্ডার না থাকলে, এটি তৈরি করতে app/ ফোল্ডারে ডানদিকের বোতামে ক্লিক করুন, তারপর নতুন > ফোল্ডার > অ্যাসেট ফোল্ডার বিকল্পে ক্লিক করুন।

খ. মডেল ফাইল রাখার জন্য অ্যাসেট ফোল্ডারের মধ্যে একটি সাব-ফোল্ডার তৈরি করুন।

গ. model.tflite, dict.txt এবং manifest.json ফাইলগুলি সাব-ফোল্ডারে কপি করুন (তিনটি ফাইলকেই একই ফোল্ডারে থাকতে হবে)।

৩. নিশ্চিত করতে আপনার অ্যাপের build.gradle ফাইলে নিম্নলিখিতগুলি যোগ করুন অ্যাপ তৈরি করার সময় Gradle যেন মডেল ফাইল কম্প্রেস না করে: 
    android {
        // ...
        aaptOptions {
            noCompress "tflite"
        }
    }
মডেল ফাইলটি অ্যাপ প্যাকেজে অন্তর্ভুক্ত করা হবে এবং ML Kit-এর কাছে কাঁচা অ্যাসেট হিসেবে উপলভ্য হবে।

মনে রাখবেন: Android Gradle প্লাগ-ইনের 4.1 ভার্সন থেকে, .tflite ডিফল্ট হিসেবে noCompress তালিকায় যোগ করা হবে এবং উপরে উল্লিখিত আর প্রয়োজন হবে না।

৪. মডেল ম্যানিফেস্ট ফাইলের পাথ উল্লেখ করে LocalModel অবজেক্ট তৈরি করুন:

Kotlin

val localModel = AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("manifest.json")
        // or .setAbsoluteFilePath(absolute file path to manifest file)
        .build()

Java

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("manifest.json")
        // or .setAbsoluteFilePath(absolute file path to manifest file)
        .build();

Firebase-হোস্ট করা মডেল সোর্স কনফিগার করা

রিমোট হোস্টেড মডেল ব্যবহার করতে, RemoteModel অবজেক্ট তৈরি করুন, মডেল প্রকাশ করার সময় আপনি যে নাম অ্যাসাইন করেছিলেন সেটি উল্লেখ করুন:

Kotlin

// Specify the name you assigned in the Firebase console.
val remoteModel =
    AutoMLImageLabelerRemoteModel.Builder("your_model_name").build()

Java

// Specify the name you assigned in the Firebase console.
AutoMLImageLabelerRemoteModel remoteModel =
    new AutoMLImageLabelerRemoteModel.Builder("your_model_name").build();

তারপর, মডেল ডাউনলোড করার টাস্ক শুরু করুন, যে শর্তের অধীনে আপনি ডাউনলোড করার অনুমতি দিতে চান তা উল্লেখ করুন। মডেলটি ডিভাইসে না থাকলে অথবা মডেলের নতুন ভার্সন উপলভ্য থাকলে, টাস্কটি Firebase থেকে অ্যাসিঙ্ক্রোনাসভাবে মডেলটি ডাউনলোড করবে:

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.
            }
        });

অনেক অ্যাপ তাদের ইনিশিয়ালাইজেশন কোডে ডাউনলোড টাস্ক শুরু করে, কিন্তু আপনি মডেল ব্যবহার করার আগে যেকোনও সময় তা করতে পারেন।

আপনার মডেল থেকে একটি ইমেজ লেবেলার তৈরি করা

আপনার মডেল সোর্স কনফিগার করার পরে, সেগুলির মধ্যে একটি থেকে ImageLabeler অবজেক্ট তৈরি করুন।

আপনার কাছে শুধুমাত্র লোকালি-বান্ডেল করা মডেল থাকলে, আপনার AutoMLImageLabelerLocalModel অবজেক্ট থেকে একটি লেবেলার তৈরি করুন এবং কনফিডেন্স স্কোর থ্রেশহোল্ড কনফিগার করুন যা আপনি চান (আপনার মডেল মূল্যায়ন করুন দেখুন):

Kotlin

val autoMLImageLabelerOptions = AutoMLImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0)  // Evaluate your model in the Firebase console
                                // to determine an appropriate value.
    .build()
val labeler = ImageLabeling.getClient(autoMLImageLabelerOptions)

Java

AutoMLImageLabelerOptions autoMLImageLabelerOptions =
        new AutoMLImageLabelerOptions.Builder(localModel)
                .setConfidenceThreshold(0.0f)  // Evaluate your model in the Firebase console
                                               // to determine an appropriate value.
                .build();
ImageLabeler labeler = ImageLabeling.getClient(autoMLImageLabelerOptions)

আপনার কাছে রিমোট-হোস্টেড মডেল থাকলে, সেটি চালানোর আগে আপনাকে চেক করে দেখতে হবে যে সেটি ডাউনলোড করা হয়েছে কিনা। আপনি মডেল ম্যানেজারের isModelDownloaded() পদ্ধতি ব্যবহার করে মডেল ডাউনলোড টাস্কের স্ট্যাটাস চেক করতে পারবেন।

যদিও লেবেলার চালানোর আগে আপনাকে এটি একবারই কনফার্ম করতে হবে, তবে আপনার কাছে যদি রিমোট-হোস্ট করা মডেল ও লোকালি-বান্ডেল করা মডেল, দুটিই থাকে, তাহলে ইমেজ লেবেলার ইনস্ট্যানশিয়েট করার সময় এই চেকটি করলে ভাল হয়: রিমোট মডেল ডাউনলোড করা হয়ে থাকলে, সেটি থেকে লেবেলার তৈরি করুন, অন্যথায় লোকাল মডেল থেকে তৈরি করুন।

Kotlin

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener { isDownloaded -> 
    val optionsBuilder =
        if (isDownloaded) {
            AutoMLImageLabelerOptions.Builder(remoteModel)
        } else {
            AutoMLImageLabelerOptions.Builder(localModel)
        }
    // Evaluate your model in the Firebase console to determine an appropriate threshold.
    val options = optionsBuilder.setConfidenceThreshold(0.0f).build()
    val labeler = ImageLabeling.getClient(options)
}

Java

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener() {
            @Override
            public void onSuccess(Boolean isDownloaded) {
                AutoMLImageLabelerOptions.Builder optionsBuilder;
                if (isDownloaded) {
                    optionsBuilder = new AutoMLImageLabelerOptions.Builder(remoteModel);
                } else {
                    optionsBuilder = new AutoMLImageLabelerOptions.Builder(localModel);
                }
                AutoMLImageLabelerOptions options = optionsBuilder
                        .setConfidenceThreshold(0.0f)  // Evaluate your model in the Firebase console
                                                       // to determine an appropriate threshold.
                        .build();

                ImageLabeler labeler = ImageLabeling.getClient(options);
            }
        });

আপনার কাছে শুধুমাত্র রিমোট-হোস্টেড মডেল থাকলে, মডেল-সম্পর্কিত কার্যকারিতা বন্ধ করে দেওয়া উচিত—যেমন, আপনার UI-এর অংশ গ্রে-আউট বা লুকানো—যতক্ষণ না আপনি নিশ্চিত করছেন যে মডেলটি ডাউনলোড করা হয়েছে। মডেল ম্যানেজারের download() মেথডে লিসনার অ্যাটাচ করে আপনি এটি করতে পারেন:

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.
            }
        });

২. ইনপুট ছবি প্রস্তুত করুন

তারপর, আপনি লেবেল করতে চান এমন প্রতিটি ছবির জন্য, আপনার ছবি থেকে একটি InputImage অবজেক্ট তৈরি করুন। আপনি Bitmap বা camera2 API ব্যবহার করলে, YUV_420_888 media.Image ব্যবহার করলে ইমেজ লেবেলার সবচেয়ে দ্রুত কাজ করে, সম্ভব হলে এগুলি ব্যবহার করার সাজেশন দেওয়া হয়।

আপনি বিভিন্ন সোর্স থেকে InputImage অবজেক্ট তৈরি করতে পারবেন, নিচে প্রতিটি সোর্স সম্পর্কে ব্যাখ্যা করা হয়েছে।

media.Image ব্যবহার করে

media.Image অবজেক্ট থেকে InputImage অবজেক্ট তৈরি করতে, যেমন, আপনি কোনও ডিভাইসের ক্যামেরা থেকে ছবি ক্যাপচার করলে, InputImage.fromMediaImage()-এ media.Image অবজেক্ট ও ছবির রোটেশন পাস করুন।

আপনি যদি CameraX লাইব্রেরি ব্যবহার করেন, তাহলে OnImageCapturedListener এবং ImageAnalysis.Analyzer ক্লাস আপনার জন্য রোটেশন ভ্যালু গণনা করে।

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
          // ...
        }
    }
}

আপনি যদি এমন কোনও ক্যামেরা লাইব্রেরি ব্যবহার না করেন যা আপনাকে ছবির ঘূর্ণনের ডিগ্রি দেয়, তাহলে আপনি ডিভাইসের ঘূর্ণনের ডিগ্রি এবং ডিভাইসে ক্যামেরা সেন্সরের ওরিয়েন্টেশন থেকে এটি গণনা করতে পারেন:

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;
}

তারপর, media.Image অবজেক্ট এবং রোটেশন ডিগ্রির ভ্যালু InputImage.fromMediaImage()-এ পাস করুন:

Kotlin

val image = InputImage.fromMediaImage(mediaImage, rotation)

Java

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

ফাইল URI ব্যবহার করা

ফাইল URI থেকে InputImage অবজেক্ট তৈরি করতে, অ্যাপ কনটেক্সট ও ফাইল URI-কে InputImage.fromFilePath()-এ পাস করুন। এটি তখন কাজে লাগে যখন আপনি ACTION_GET_CONTENT ইনটেন্ট ব্যবহার করে ব্যবহারকারীকে তার গ্যালারি অ্যাপ থেকে কোনও ছবি বেছে নেওয়ার জন্য প্রম্পট করেন।

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();
}

ByteBuffer বা ByteArray ব্যবহার করে

ByteBuffer বা ByteArray থেকে InputImage অবজেক্ট তৈরি করতে, প্রথমে media.Image ইনপুটের জন্য আগে বর্ণনা করা পদ্ধতি অনুযায়ী ছবির রোটেশন ডিগ্রি গণনা করুন। তারপর, বাফার বা অ্যারের সাথে InputImage অবজেক্ট তৈরি করুন, সাথে ছবির উচ্চতা, প্রস্থ, কালার এনকোডিং ফর্ম্যাট এবং ঘূর্ণনের ডিগ্রি:

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
);

Bitmap ব্যবহার করে

Bitmap অবজেক্ট থেকে InputImage অবজেক্ট তৈরি করতে, নিম্নলিখিত ঘোষণা করুন:

Kotlin

val image = InputImage.fromBitmap(bitmap, 0)

Java

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

ছবিটি Bitmap অবজেক্টের মাধ্যমে উপস্থাপন করা হয়, এর সাথে ঘোরানোর ডিগ্রিও থাকে।

৩. ইমেজ লেবেলার চালান

কোনও ছবির অবজেক্ট লেবেল করতে, image অবজেক্টটি ImageLabeler-এর process() মেথডে পাস করুন।

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
                // ...
            }
        });

৪. লেবেল করা অবজেক্ট সম্পর্কে তথ্য পান

ইমেজ লেবেলিং অপারেশন সফল হলে, ImageLabel অবজেক্টের একটি তালিকা সাকসেস লিসেনারের কাছে পাঠানো হয়। প্রতিটি ImageLabel অবজেক্ট ছবিতে লেবেল করা কোনও কিছুকে দেখায়। আপনি প্রতিটি লেবেলের টেক্সট বিবরণ, মিলে যাওয়া কন্টেন্টের কনফিডেন্স স্কোর ও মিলে যাওয়া কন্টেন্টের ইন্ডেক্স পেতে পারেন। যেমন:

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();
}

রিয়েল-টাইম পারফর্ম্যান্স উন্নত করার পরামর্শ

আপনি যদি রিয়েল-টাইম অ্যাপ্লিকেশনে ছবি লেবেল করতে চান, তাহলে সেরা ফ্রেমরেট পেতে এইসব নির্দেশিকা অনুসরণ করুন:

  • আপনি Camera বা camera2 API ব্যবহার করলে, ইমেজ লেবেলারকে করা কল থ্রটল করুন। ইমেজ লেবেলার চলাকালীন নতুন ভিডিও ফ্রেম উপলভ্য হলে, ফ্রেমটি বাদ দিন। উদাহরণ হিসেবে কুইকস্টার্ট স্যাম্পেল অ্যাপে VisionProcessorBase ক্লাস দেখুন।
  • আপনি CameraX API ব্যবহার করলে, নিশ্চিত করুন যে ব্যাকপ্রেশার স্ট্র্যাটেজি এর ডিফল্ট ভ্যালু ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST-তে সেট করা আছে। এর ফলে, একবারে বিশ্লেষণের জন্য শুধুমাত্র একটি ছবিই ডেলিভার করা হবে। অ্যানালাইজার ব্যস্ত থাকাকালীন আরও ছবি তৈরি হলে, সেগুলি অটোমেটিক বাদ দেওয়া হবে এবং ডেলিভারির জন্য সঞ্চয় করা হবে না। ImageProxy.close() কল করে বিশ্লেষণ করা ছবি বন্ধ হয়ে গেলে, পরবর্তী লেটেস্ট ছবি ডেলিভার করা হবে।
  • ইনপুট ইমেজে গ্রাফিক্স ওভারলে করার জন্য আপনি যদি ইমেজ লেবেলারের আউটপুট ব্যবহার করেন, তাহলে প্রথমে ML Kit থেকে ফলাফল পান, তারপর ইমেজ রেন্ডার করুন এবং একটি ধাপে ওভারলে করুন। প্রতিটি ইনপুট ফ্রেমের জন্য এটি ডিসপ্লে সারফেসে একবারই রেন্ডার করে। উদাহরণ হিসেবে কুইকস্টার্ট স্যাম্পেল অ্যাপে CameraSourcePreview এবং GraphicOverlay ক্লাস দেখুন।
  • আপনি Camera2 API ব্যবহার করলে, ImageFormat.YUV_420_888 ফর্ম্যাটে ছবি ক্যাপচার করুন। আপনি পুরনো Camera API ব্যবহার করলে, ImageFormat.NV21 ফর্ম্যাটে ছবি তুলুন।