Android-এ কাস্টম মডেলের সাহায্যে ছবি লেবেল করা

আপনি কোনও ছবিতে এন্টিটি শনাক্ত করতে এবং সেগুলিকে লেবেল করতে ML Kit ব্যবহার করতে পারেন। এই API কাস্টম ইমেজ ক্লাসিফিকেশন মডেলের একটি বিস্তৃত রেঞ্জে কাজ করে। মডেলের উপযুক্ততা সংক্রান্ত প্রয়োজনীয়তা, আগে থেকে ট্রেনিং দেওয়া মডেল কোথায় পাবেন এবং কীভাবে নিজের মডেলকে ট্রেনিং দেবেন সেই বিষয়ে নির্দেশিকা পেতে, ML Kit সহ কাস্টম মডেল দেখুন।

কাস্টম মডেলের সাথে ইমেজ লেবেলিং ইন্টিগ্রেট করার দুটি উপায় আছে: আপনার অ্যাপের অংশ হিসেবে পাইপলাইন বান্ডেল করে অথবা Google Play পরিষেবার উপর নির্ভর করে এমন আনবান্ডেল করা পাইপলাইন ব্যবহার করে। আপনি আনবান্ডেল পাইপলাইন বেছে নিলে, আপনার অ্যাপের সাইজ ছোট হবে। বিস্তারিত জানতে নিচের সারণী দেখুন।

একত্রিতআনবান্ডেল করা
লাইব্রেরির নামcom.google.mlkit:image-labeling-customcom.google.android.gms:play-services-mlkit-image-labeling-custom

প্রয়োগ		বিল্ড করার সময় পাইপলাইন আপনার অ্যাপের সাথে স্ট্যাটিক লিঙ্ক করা হয়।Google Play পরিষেবা ব্যবহার করে পাইপলাইন ডায়নামিকভাবে ডাউনলোড করা হয়।
অ্যাপের সাইজসাইজ প্রায় ৩.৮ এমবি বেড়েছে।সাইজ প্রায় ২০০ কেবি বেড়েছে।
চালু করার সময়পাইপলাইন অবিলম্বে উপলভ্য।প্রথমবার ব্যবহার করার আগে পাইপলাইন ডাউনলোড করার জন্য অপেক্ষা করতে হতে পারে।
API লাইফসাইকেল স্টেজজেনেরাল অ্যাভেইলেবিলিটি (GA)বিটা

কাস্টম মডেল ইন্টিগ্রেট করার দুটি উপায় আছে: আপনার অ্যাপের অ্যাসেট ফোল্ডারে মডেলটি রেখে বান্ডেল করুন অথবা Firebase থেকে ডায়নামিক উপায়ে ডাউনলোড করুন। নিচে দেওয়া সারণী এই দুটি বিকল্পের মধ্যে তুলনা করে।

বান্ডেল করা মডেল হোস্ট করা মডেল
মডেলটি আপনার অ্যাপের APK-এর অংশ, যার ফলে এর সাইজ বেড়ে যায়। মডেলটি আপনার APK-এর অংশ নয়। এটি Cloud Storage-এ আপলোড করে হোস্ট করা হয়। আমরা Firebase-এর জন্য Cloud Storage ব্যবহার করার সাজেশন দিই।
Android ডিভাইস অফলাইনে থাকলেও মডেলটি সঙ্গে সঙ্গে উপলভ্য হয় চাহিদা অনুযায়ী মডেল ডাউনলোড করার কোড আপনার অ্যাপে থাকতে হবে
Firebase প্রোজেক্টের প্রয়োজন নেই Firebase প্রোজেক্ট প্রয়োজন (Firebase-এর জন্য Cloud Storage ব্যবহার করলে)।
মডেল আপডেট করতে হলে আপনাকে অবশ্যই অ্যাপ আবার প্রকাশ করতে হবে আপনার অ্যাপ আবার প্রকাশ না করেই মডেল আপডেট পুশ করুন
কোনও বিল্ট-ইন A/B টেস্টিং নেই Firebase রিমোট কনফিগ ব্যবহার করে A/B টেস্টিং

এটি ব্যবহার করে দেখুন

শুরু করার আগে

  1. আপনার প্রোজেক্ট-লেভেল build.gradle.kts ফাইলে, buildscript এবং allprojects, দুটি বিভাগেই Google-এর Maven রিপোজিটরি অন্তর্ভুক্ত করতে ভুলবেন না।

  2. আপনার মডিউলের অ্যাপ-লেভেল গ্রেডেল ফাইলে ML Kit Android লাইব্রেরির জন্য ডিপেন্ডেন্সি যোগ করুন, যা সাধারণত app/build.gradle.kts হয়। আপনার প্রয়োজন অনুযায়ী নিচের যেকোনও একটি ডিপেন্ডেন্সি বেছে নিন:

    আপনার অ্যাপের সাথে পাইপলাইন বান্ডেল করার জন্য:

    dependencies {
  // ...
  // Use this dependency to bundle the pipeline with your app
  implementation("com.google.mlkit:image-labeling-custom:17.0.3")
}

    Google Play পরিষেবায় পাইপলাইন ব্যবহার করার জন্য:

    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")
}

  3. আপনি যদি Google Play পরিষেবায় পাইপলাইন ব্যবহার করার বিকল্প বেছে নেন, তাহলে আপনি Play Store থেকে আপনার অ্যাপ ইনস্টল করার পরে, ডিভাইসে পাইপলাইন অটোমেটিক ডাউনলোড করার জন্য আপনার অ্যাপ কনফিগার করতে পারবেন। এটি করতে, আপনার অ্যাপের AndroidManifest.xml ফাইলে নিম্নলিখিত ঘোষণা যোগ করুন:

    <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>

    এছাড়াও, আপনি Google Play পরিষেবার ModuleInstallClient API-এর মাধ্যমে পাইপলাইনের উপলভ্যতা চেক করতে এবং ডাউনলোডের অনুরোধ করতে পারেন।

    আপনি ইনস্টল-টাইম পাইপলাইন ডাউনলোড চালু না করলে বা স্পষ্ট ডাউনলোডের অনুরোধ না করলে, লেবেলার প্রথমবার চালানোর সময় পাইপলাইন ডাউনলোড করা হয়। ডাউনলোড সম্পূর্ণ হওয়ার আগে আপনি কোনও অনুরোধ করলে, তার কোনও ফলাফল পাওয়া যায় না।

  4. আপনি Firebase-এর জন্য Cloud Storage ব্যবহার করে কোনও মডেল ডাউনলোড করতে চাইলে, আপনার Android প্রোজেক্টে Firebase যোগ করেছেন কিনা তা নিশ্চিত করুন। আপনি আগে থেকে এটি করে না থাকলে, এটি করতে হবে। আপনি মডেল বান্ডেল করলে, এটি করার প্রয়োজন নেই।

১. মডেল লোড করুন

আপনি কোনও লোকালি-বান্ডেল করা সোর্স বা রিমোটলি-হোস্ট করা সোর্স থেকে মডেল লোড করতে পারবেন।

লোকাল মডেল সোর্স কনফিগার করা

আপনার অ্যাপের সাথে মডেল বান্ডেল করতে:

  1. আপনার অ্যাপের assets/ ফোল্ডারে মডেল ফাইল (সাধারণত .tflite বা .lite এক্সটেনশন থাকে) কপি করুন। (আপনাকে প্রথমে app/ ফোল্ডারের উপর ডানদিকের মাউস বোতামে ক্লিক করে নতুন > ফোল্ডার > অ্যাসেট ফোল্ডার বিকল্পে ক্লিক করে ফোল্ডার তৈরি করতে হতে পারে।)

  2. মডেল ফাইলের পাথ উল্লেখ করে LocalModel অবজেক্ট তৈরি করুন:

    Kotlin

    val localModel = LocalModel.Builder()
        .setAssetFilePath("model.tflite")
        // or .setAbsoluteFilePath(absolute path to model file)
        // or .setUri(URI to model file)
        .build()

    Java

    LocalModel localModel =
    new LocalModel.Builder()
        .setAssetFilePath("model.tflite")
        // or .setAbsoluteFilePath(absolute path to model file)
        // or .setUri(URI to model file)
        .build();

রিমোট লোকেশন থেকে হোস্ট করা মডেল সোর্স কনফিগার করা

রিমোট হোস্টেড মডেল ব্যবহার করতে, আপনাকে নিজের অ্যাপ লজিক ব্যবহার করে ডিভাইসের লোকাল স্টোরেজে মডেল ফাইল ডাউনলোড করতে হবে এবং তারপরে এটিকে লোকাল মডেল হিসেবে লোড করতে হবে। মডেল হোস্ট করার জন্য Firebase-এর জন্য Cloud Storage ব্যবহার করার সাজেশন দিই। ইমপ্লিমেন্টেশন সম্পর্কিত বিবরণের জন্য, Firebase ML থেকে Cloud Storage মাইগ্রেশন গাইড দেখুন।

ইমেজ লেবেলার কনফিগার করা

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

নিম্নলিখিত বিকল্পগুলি উপলভ্য:

বিকল্প
confidenceThreshold

শনাক্ত করা লেবেলের ন্যূনতম কনফিডেন্স স্কোর। সেট করা না থাকলে, মডেলের মেটাডেটা দ্বারা নির্দিষ্ট করা যেকোনও ক্লাসিফায়ার থ্রেশহোল্ড ব্যবহার করা হবে। মডেলের মধ্যে কোনও মেটাডেটা না থাকলে অথবা মেটাডেটা কোনও শ্রেণীবিন্যাসকারী থ্রেশহোল্ড নির্দিষ্ট না করলে, 0.0-এর একটি ডিফল্ট থ্রেশহোল্ড ব্যবহার করা হবে।
maxResultCount

ফেরানোর জন্য লেবেলের সর্বাধিক সংখ্যা। সেট করা না থাকলে, ডিফল্ট ভ্যালু হিসেবে ১০ ব্যবহার করা হবে।

আপনার কাছে শুধুমাত্র লোকালি-বান্ডেল করা মডেল থাকলে, আপনার LocalModel অবজেক্ট থেকে লেবেলার তৈরি করুন:

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);

আপনার কাছে রিমোটলি-হোস্ট করা মডেল থাকলে, সেটি চালানোর আগে ডাউনলোড করা হয়েছে কিনা তা আপনাকে চেক করতে হবে।

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

val modelFile = File(context.cacheDir, "my_downloaded_model.tflite")
val model = if (modelFile.exists()) {
    // Use the downloaded model if available
    LocalModel.Builder().setAbsoluteFilePath(modelFile.absolutePath).build()
} else {
    // Fall back to the bundled model
    LocalModel.Builder().setAssetFilePath("model.tflite").build()
}
val options = CustomImageLabelerOptions.Builder(model)
    .setConfidenceThreshold(0.5f)
    .setMaxResultCount(5)
    .build()
val labeler = ImageLabeling.getClient(options)

Java

File modelFile = new File(context.getCacheDir(), "my_downloaded_model.tflite");
LocalModel model;
if (modelFile.exists()) {
    // Use the downloaded model if available
    model = new LocalModel.Builder().setAbsoluteFilePath(modelFile.getAbsolutePath()).build();
} else {
    // Fall back to the bundled model
    model = new LocalModel.Builder().setAssetFilePath("model.tflite").build();
}
CustomImageLabelerOptions options = new CustomImageLabelerOptions.Builder(model)
    .setConfidenceThreshold(0.5f)
    .setMaxResultCount(5)
    .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।

Kotlin

val localFile = File(context.cacheDir, "my_remote_model.tflite")
if (localFile.exists()) {
    initializeLabeler(localFile)
} else {
    showLoadingUI()
    val storage = Firebase.storage
    val modelRef = storage.getReferenceFromUrl("gs://YOUR_BUCKET/path/to/model.tflite")
    modelRef.getFile(localFile)
        .addOnSuccessListener {
            hideLoadingUI()
            initializeLabeler(localFile)
        }
        .addOnFailureListener {
            showErrorUI()
        }
}

private fun initializeLabeler(modelFile: File) {
    val localModel = LocalModel.Builder().setAbsoluteFilePath(modelFile.absolutePath).build()
    val options = CustomImageLabelerOptions.Builder(localModel).build()
    val labeler = ImageLabeling.getClient(options)
    enableMLFeatures(labeler)
}

Java

File localFile = new File(context.getCacheDir(), "my_remote_model.tflite");
if (localFile.exists()) {
    initializeLabeler(localFile);
} else {
    showLoadingUI();
    FirebaseStorage storage = FirebaseStorage.getInstance();
    StorageReference modelRef = storage.getReferenceFromUrl("gs://YOUR_BUCKET/path/to/model.tflite");
    modelRef.getFile(localFile)
        .addOnSuccessListener(new OnSuccessListener<FileDownloadTask.TaskSnapshot>() {
            @Override
            public void onSuccess(FileDownloadTask.TaskSnapshot taskSnapshot) {
                hideLoadingUI();
                initializeLabeler(localFile);
            }
        })
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(@NonNull Exception exception) {
                showErrorUI();
            }
        });
}

private void initializeLabeler(File modelFile) {
    LocalModel localModel = new LocalModel.Builder().setAbsoluteFilePath(modelFile.getAbsolutePath()).build();
    CustomImageLabelerOptions options = new CustomImageLabelerOptions.Builder(localModel).build();
    ImageLabeler labeler = ImageLabeling.getClient(options);
    enableMLFeatures(labeler);
}

২. ইনপুট ছবি প্রস্তুত করুন

তারপরে, 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;
}

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

Kotlin

val image = InputImage.fromMediaImage(mediaImage, rotation)

Java

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

ফাইল URI ব্যবহার করে

ফাইল URI থেকে InputImage অবজেক্ট তৈরি করতে, অ্যাপের প্রসঙ্গ এবং ফাইল URI InputImage.fromFilePath()-এ পাস করুন। আপনি যখন ACTION_GET_CONTENT ইনটেন্ট ব্যবহার করে ব্যবহারকারীকে তার গ্যালারি অ্যাপ থেকে ছবি বেছে নিতে প্রম্পট করেন, তখন এটি কাজে লাগে।

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 করা

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

Kotlin

val image = InputImage.fromBitmap(bitmap, 0)

Java

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

ছবিটি Bitmap অবজেক্টের সাথে রোটেশন ডিগ্রির মাধ্যমে দেখানো হয়েছে।

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 এন্টিটি সম্পর্কে তথ্য পাওয়া

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 (LiteRT মডেল ফাইলের মেটাডেটাতে উপলভ্য থাকলে), কনফিডেন্স স্কোর এবং 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 ফ্রেম রেট 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, ব্যাকপ্রেশার স্ট্র্যাটেজি যাতে ডিফল্ট ভ্যালুতে সেট করা থাকে তা নিশ্চিত করুন ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST. এটি নিশ্চিত করে যে বিশ্লেষণের জন্য একবারে শুধুমাত্র একটি ছবি ডেলিভার করা হবে। বিশ্লেষক ব্যস্ত থাকাকালীন আরও ছবি তৈরি হলে, সেগুলি অটোমেটিক বাদ দেওয়া হবে এবং ডেলিভারির জন্য সারিতে রাখা হবে না। ImageProxy.close() কল করে বিশ্লেষণ করা ছবি বন্ধ হয়ে গেলে, পরবর্তী লেটেস্ট ছবি ডেলিভার করা হবে।
  • ইনপুট ইমেজের উপর গ্রাফিক্স ওভারলে করতে আপনি যদি ইমেজ লেবেলারের আউটপুট ব্যবহার করেন, তাহলে প্রথমে ML Kit থেকে ফলাফল পান, তারপরে 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 ক্যাপচার করুন।