इस पेज का अनुवाद Cloud Translation API से किया गया है.

Android पर कस्टम वर्गीकरण मॉडल के साथ ऑब्जेक्ट का पता लगाएं, उन्हें ट्रैक करें और वर्गीकृत करें

आप एमएल किट का इस्तेमाल करके, लगातार वीडियो फ़्रेम में चीज़ों का पता लगा सकते हैं और उन्हें ट्रैक कर सकते हैं.

जब आप किसी इमेज को एमएल किट में पास करते हैं, तो वह इमेज में हर चीज़ के लिए तय की गई स्थिति के साथ, इमेज में ज़्यादा से ज़्यादा पांच ऑब्जेक्ट का पता लगाती है. वीडियो स्ट्रीम में ऑब्जेक्ट का पता लगाते समय, हर ऑब्जेक्ट का एक यूनीक आईडी होता है. इसका इस्तेमाल, फ़्रेम से फ़्रेम दर ऑब्जेक्ट को ट्रैक करने के लिए किया जा सकता है.

कस्टम ऑब्जेक्ट की कैटगरी तय करने वाले मॉडल की मदद से, पहचानी गई चीज़ों की कैटगरी तय की जा सकती है. मॉडल के साथ काम करने की ज़रूरी शर्तों, दिशा-निर्देशों वाले मॉडल कहां मिलेंगे, और अपने मॉडल को ट्रेनिंग देने का तरीका जानने के लिए, कृपया एमएल किट वाले कस्टम मॉडल देखें.

कस्टम मॉडल को इंटिग्रेट करने के दो तरीके हैं. मॉडल को अपने ऐप्लिकेशन के एसेट फ़ोल्डर में रखकर, उसे बंडल किया जा सकता है या डाइनैमिक तरीके से Firebase से डाउनलोड किया जा सकता है. नीचे दी गई टेबल में दोनों विकल्पों की तुलना की गई है.

बंडल किया गया मॉडल	होस्ट किया गया मॉडल
मॉडल आपके ऐप्लिकेशन के APK का हिस्सा है, जिससे इसका साइज़ बढ़ जाता है.	मॉडल आपके APK का हिस्सा नहीं है. इसे Firebase मशीन लर्निंग पर अपलोड करके होस्ट किया जाता है.
मॉडल Android डिवाइस के ऑफ़लाइन होने पर भी तुरंत उपलब्ध होता है	मॉडल को मांग पर डाउनलोड किया गया है
Firebase प्रोजेक्ट की ज़रूरत नहीं है	Firebase प्रोजेक्ट की ज़रूरत है
मॉडल को अपडेट करने के लिए, आपको अपना ऐप्लिकेशन फिर से प्रकाशित करना होगा	अपने ऐप्लिकेशन को फिर से प्रकाशित किए बिना मॉडल अपडेट भेजें
पहले से मौजूद A/B टेस्टिंग नहीं	Firebase रिमोट कॉन्फ़िगरेशन की मदद से, आसान A/B टेस्टिंग

इसे आज़माएं

बंडल किए गए मॉडल के इस्तेमाल का उदाहरण देखने के लिए vision Quickstart ऐप्लिकेशन देखें. साथ ही, होस्ट किए गए मॉडल के इस्तेमाल के उदाहरण के लिए, automl Quickstart ऐप्लिकेशन देखें.
इस एपीआई को शुरू से लेकर आखिर तक लागू करने के लिए, मटीरियल डिज़ाइन शोकेस ऐप्लिकेशन देखें.

शुरू करने से पहले

प्रोजेक्ट-लेवल की build.gradle फ़ाइल में, अपने buildscript और allprojects, दोनों सेक्शन में Google का Maven का स्टोरेज शामिल करना न भूलें.
अपने मॉड्यूल की ऐप्लिकेशन-लेवल की ग्रेडल फ़ाइल में ML किट की Android लाइब्रेरी के लिए डिपेंडेंसी जोड़ें, जो आम तौर पर app/build.gradle होती है:

अपने ऐप्लिकेशन के साथ किसी मॉडल को बंडल करने के लिए:
```
dependencies {
  // ...
  // Object detection & tracking feature with custom bundled model
  implementation 'com.google.mlkit:object-detection-custom:17.0.0'
}
```
Firebase से कोई मॉडल डाइनैमिक तौर पर डाउनलोड करने के लिए, linkFirebase निर्भरता:
```
dependencies {
  // ...
  // Object detection & tracking feature with model downloaded
  // from firebase
  implementation 'com.google.mlkit:object-detection-custom:17.0.0'
  implementation 'com.google.mlkit:linkfirebase:17.0.0'
}
```
अगर आपको कोई मॉडल डाउनलोड करना है, तो पक्का करें कि आपने अपने Android प्रोजेक्ट में Firebase जोड़ा हो, अगर आपने पहले से ऐसा नहीं किया है, तो मॉडल को बंडल करते समय इसकी ज़रूरत नहीं है.

1. मॉडल लोड करें

लोकल मॉडल सोर्स को कॉन्फ़िगर करना

अपने ऐप्लिकेशन के साथ मॉडल को बंडल करने के लिए:

मॉडल फ़ाइल (आम तौर पर, .tflite या .lite से खत्म होने वाली) को अपने ऐप्लिकेशन के assets/ फ़ोल्डर में कॉपी करें. (आपको पहले app/ फ़ोल्डर पर दायां क्लिक करके, फिर नया > फ़ोल्डर > एसेट फ़ोल्डर पर क्लिक करके फ़ोल्डर बनाना होगा.)
इसके बाद, अपने ऐप्लिकेशन की build.gradle फ़ाइल में इन्हें जोड़ें, ताकि यह पक्का किया जा सके कि ऐप्लिकेशन बनाने के दौरान Gradle, मॉडल फ़ाइल को कंप्रेस न करे:
```
android {
    // ...
    aaptOptions {
        noCompress "tflite"
        // or noCompress "lite"
    }
}
```
मॉडल फ़ाइल, ऐप्लिकेशन पैकेज में शामिल की जाएगी. साथ ही, वह मशीन लर्निंग (ML) किट के लिए रॉ एसेट के तौर पर उपलब्ध होगी.

ध्यान दें: 'Android Gradle प्लग इन' के 4.1 वर्शन से, .tflite को डिफ़ॉल्ट रूप से noCompress सूची में जोड़ दिया जाएगा और अब इसकी ज़रूरत नहीं है.
मॉडल फ़ाइल का पाथ बताने वाला LocalModel ऑब्जेक्ट बनाएं:
Kotlin
```
val localModel = LocalModel.Builder()
        .setAssetFilePath("model.tflite")
        // or .setAbsoluteFilePath(absolute file path to model file)
        // or .setUri(URI to model file)
        .build()
```
Java
```
LocalModel localModel =
    new LocalModel.Builder()
        .setAssetFilePath("model.tflite")
        // or .setAbsoluteFilePath(absolute file path to model file)
        // or .setUri(URI to model file)
        .build();
```
ध्यान दें: Android 11 (एपीआई लेवल 30) को टारगेट करने वाली फ़ाइलें, अब बाहरी स्टोरेज की फ़ाइलों को ऐक्सेस नहीं कर सकतीं. ऐसा Android 11 के स्टोरेज अपडेट की वजह से हो रहा है.
ध्यान दें: अगर आपके पास कोई ऐसा मॉडल है जिसे Firebase में ऑटोएमएल विज़न एज की ट्रेनिंग दी गई है (न कि Google Cloud), तो हो सकता है कि ऊपर दिया गया तरीका काम न करे. कृपया निर्देशों के लिए, डेटा को दूसरी जगह भेजने से जुड़ी गाइड देखें.

Firebase से होस्ट किए गए मॉडल सोर्स को कॉन्फ़िगर करना

रिमोट तरीके से होस्ट किए गए मॉडल का इस्तेमाल करने के लिए, FirebaseModelSource तक CustomRemoteModel ऑब्जेक्ट बनाएं. इसमें वह नाम डालें जो आपने मॉडल को पब्लिश करते समय असाइन किया था:

Kotlin

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

Java

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

इसके बाद, मॉडल डाउनलोड करने से जुड़ा टास्क शुरू करें. इसमें उन शर्तों की जानकारी दें जिनके तहत आपको डाउनलोड करने की अनुमति देनी है. अगर मॉडल डिवाइस पर नहीं है या अगर मॉडल का कोई नया वर्शन उपलब्ध है, तो यह काम Firebase से मॉडल को एसिंक्रोनस रूप से डाउनलोड करेगा:

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.
            }
        });

कई ऐप्लिकेशन अपने शुरुआती कोड में डाउनलोड टास्क शुरू करते हैं, लेकिन मॉडल इस्तेमाल करने से पहले आप किसी भी समय ऐसा कर सकते हैं.

2. ऑब्जेक्ट डिटेक्टर को कॉन्फ़िगर करें

मॉडल सोर्स कॉन्फ़िगर करने के बाद, अपने CustomObjectDetectorOptions ऑब्जेक्ट के लिए, ऑब्जेक्ट डिटेक्टर को कॉन्फ़िगर करें. आप नीचे दी गई सेटिंग बदल सकते हैं:

ऑब्जेक्ट डिटेक्टर की सेटिंग
वीडियो की पहचान करने वाला मोड	`STREAM_MODE` (डिफ़ॉल्ट) \| `SINGLE_IMAGE_MODE` `STREAM_MODE` (डिफ़ॉल्ट) में, ऑब्जेक्ट डिटेक्टर कम इंतज़ार के समय के साथ चलता है. हालांकि, डिटेक्टर के शुरुआती कुछ नतीजों पर अधूरे नतीजे (जैसे कि बाउंडिंग बॉक्स या कैटगरी लेबल) मिल सकते हैं. साथ ही, `STREAM_MODE` में, डिटेक्टर से उन ऑब्जेक्ट को ट्रैकिंग आईडी असाइन किया जाता है जिनका इस्तेमाल सभी फ़्रेम पर मौजूद ऑब्जेक्ट को ट्रैक करने के लिए किया जा सकता है. इस मोड का इस्तेमाल तब करें, जब आप ऑब्जेक्ट ट्रैक करना चाहते हों या जब इंतज़ार का समय कम हो, जैसे कि रीयल-टाइम में वीडियो स्ट्रीम प्रोसेस करते समय. ऑब्जेक्ट बाउंडिंग बॉक्स तय होने के बाद, `SINGLE_IMAGE_MODE` में ऑब्जेक्ट की पहचान करने वाला, नतीजा दिखाता है. अगर आप डेटा की कैटगरी तय करने की सुविधा भी चालू करते हैं, तो बाउंडिंग बॉक्स और कैटगरी लेबल, दोनों उपलब्ध होने के बाद यह नतीजे दिखाता है. इस वजह से, इंतज़ार का समय ज़्यादा हो सकता है. साथ ही, `SINGLE_IMAGE_MODE` में, ट्रैकिंग आईडी असाइन नहीं किए जाते. अगर इंतज़ार का समय बहुत ज़्यादा अहम नहीं है और आपको कुछ खास नतीजों के साथ काम नहीं करना है, तो इस मोड का इस्तेमाल करें.
एक से ज़्यादा ऑब्जेक्ट का पता लगाएं और उन्हें ट्रैक करें	`false` (डिफ़ॉल्ट) \| `true` ज़्यादा से ज़्यादा पांच ऑब्जेक्ट का पता लगाकर उन्हें ट्रैक करना है या सिर्फ़ सबसे अहम ऑब्जेक्ट (डिफ़ॉल्ट) को ट्रैक करना है.
ऑब्जेक्ट की कैटगरी तय करना	`false` (डिफ़ॉल्ट) \| `true` दिए गए कस्टम क्लासिफ़ायर मॉडल का इस्तेमाल करके, यह पता लगाया जाता है कि पहचानी गई चीज़ों को कैटगरी में बांटना है या नहीं. अपने कस्टम क्लासिफ़िकेशन मॉडल का इस्तेमाल करने के लिए, आपको इसे `true` पर सेट करना होगा.
डेटा देखने के लिए कॉन्फ़िडेंस थ्रेशोल्ड	पता लगाए गए लेबल का कम से कम कॉन्फ़िडेंस स्कोर. अगर इस नीति को सेट नहीं किया जाता है, तो मॉडल के मेटाडेटा में अलग-अलग कैटगरी में बांटने वाले थ्रेशोल्ड का इस्तेमाल किया जाएगा. अगर मॉडल में कोई मेटाडेटा नहीं है या मेटाडेटा में क्लासिफ़ायर थ्रेशोल्ड नहीं दिखाया गया है, तो 0.0 की डिफ़ॉल्ट सीमा का इस्तेमाल किया जाएगा.
हर ऑब्जेक्ट के लिए ज़्यादा से ज़्यादा लेबल	हर ऑब्जेक्ट के लिए लेबल की ज़्यादा से ज़्यादा संख्या, जिसे पहचानकर्ता दिखाएगा. इस वैल्यू के सेट न होने पर, डिफ़ॉल्ट वैल्यू 10 का इस्तेमाल किया जाएगा.

ऑब्जेक्ट की पहचान और ट्रैकिंग एपीआई को इन दो मुख्य तरीकों से ऑप्टिमाइज़ किया गया है:

कैमरे के व्यूफ़ाइंडर में सबसे खास चीज़ की लाइव पहचान करना और उसे ट्रैक करना.
स्टैटिक इमेज से कई ऑब्जेक्ट की पहचान.

इस्तेमाल के इन उदाहरणों के लिए, एपीआई को कॉन्फ़िगर करने का तरीका:

Kotlin

// Live detection and tracking
val customObjectDetectorOptions =
        CustomObjectDetectorOptions.Builder(localModel)
        .setDetectorMode(CustomObjectDetectorOptions.STREAM_MODE)
        .enableClassification()
        .setClassificationConfidenceThreshold(0.5f)
        .setMaxPerObjectLabelCount(3)
        .build()

// Multiple object detection in static images
val customObjectDetectorOptions =
        CustomObjectDetectorOptions.Builder(localModel)
        .setDetectorMode(CustomObjectDetectorOptions.SINGLE_IMAGE_MODE)
        .enableMultipleObjects()
        .enableClassification()
        .setClassificationConfidenceThreshold(0.5f)
        .setMaxPerObjectLabelCount(3)
        .build()

val objectDetector =
        ObjectDetection.getClient(customObjectDetectorOptions)

Java

// Live detection and tracking
CustomObjectDetectorOptions customObjectDetectorOptions =
        new CustomObjectDetectorOptions.Builder(localModel)
                .setDetectorMode(CustomObjectDetectorOptions.STREAM_MODE)
                .enableClassification()
                .setClassificationConfidenceThreshold(0.5f)
                .setMaxPerObjectLabelCount(3)
                .build();

// Multiple object detection in static images
CustomObjectDetectorOptions customObjectDetectorOptions =
        new CustomObjectDetectorOptions.Builder(localModel)
                .setDetectorMode(CustomObjectDetectorOptions.SINGLE_IMAGE_MODE)
                .enableMultipleObjects()
                .enableClassification()
                .setClassificationConfidenceThreshold(0.5f)
                .setMaxPerObjectLabelCount(3)
                .build();

ObjectDetector objectDetector =
    ObjectDetection.getClient(customObjectDetectorOptions);

अगर आपके पास रिमोट से होस्ट किया गया मॉडल है, तो आपको इसे चलाने से पहले जांच लेना होगा. मॉडल मैनेजर के isModelDownloaded() तरीके का इस्तेमाल करके, मॉडल डाउनलोड टास्क की स्थिति देखी जा सकती है.

हालांकि, पहचानकर्ता का इस्तेमाल करने से पहले आपको इसकी पुष्टि करनी होगी, लेकिन अगर आपके पास रिमोट से होस्ट किया गया मॉडल और स्थानीय स्तर पर एक-एक बंडल का मॉडल, दोनों हैं, तो इमेज डिटेक्टर को इंस्टैंशिएट करते समय यह जांच करने की ज़रूरत हो सकती है. अगर रिमोट मॉडल को डाउनलोड किया गया है, तो हो सकता है कि वह डिटेक्टर डाउनलोड करे और फिर स्थानीय मॉडल से.

Kotlin

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener { isDownloaded ->
    val optionsBuilder =
        if (isDownloaded) {
            CustomObjectDetectorOptions.Builder(remoteModel)
        } else {
            CustomObjectDetectorOptions.Builder(localModel)
        }
    val customObjectDetectorOptions = optionsBuilder
            .setDetectorMode(CustomObjectDetectorOptions.SINGLE_IMAGE_MODE)
            .enableClassification()
            .setClassificationConfidenceThreshold(0.5f)
            .setMaxPerObjectLabelCount(3)
            .build()
    val objectDetector =
        ObjectDetection.getClient(customObjectDetectorOptions)
}

Java

RemoteModelManager.getInstance().isModelDownloaded(remoteModel)
    .addOnSuccessListener(new OnSuccessListener() {
        @Override
        public void onSuccess(Boolean isDownloaded) {
            CustomObjectDetectorOptions.Builder optionsBuilder;
            if (isDownloaded) {
                optionsBuilder = new CustomObjectDetectorOptions.Builder(remoteModel);
            } else {
                optionsBuilder = new CustomObjectDetectorOptions.Builder(localModel);
            }
            CustomObjectDetectorOptions customObjectDetectorOptions = optionsBuilder
                .setDetectorMode(CustomObjectDetectorOptions.SINGLE_IMAGE_MODE)
                .enableClassification()
                .setClassificationConfidenceThreshold(0.5f)
                .setMaxPerObjectLabelCount(3)
                .build();
            ObjectDetector objectDetector =
                ObjectDetection.getClient(customObjectDetectorOptions);
        }
});

अगर आपके पास सिर्फ़ रिमोट तरीके से होस्ट किया गया मॉडल है, तो मॉडल से जुड़ी सुविधाओं को बंद कर देना चाहिए. उदाहरण के लिए, धूसर होने की जानकारी या आपके यूज़र इंटरफ़ेस (यूआई) के हिस्से को तब तक छिपाया जाना चाहिए, जब तक इस बात की पुष्टि नहीं हो जाती कि मॉडल डाउनलोड हो गया है. ऐसा करने के लिए, मॉडल मैनेजर की download() तरीका में लिसनर अटैच करें:

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.
            }
        });

3. इनपुट इमेज तैयार करें

अपनी इमेज से एक InputImage ऑब्जेक्ट बनाएं. ऑब्जेक्ट का पता लगाने वाला टूल सीधे Bitmap, NV21 ByteBuffer या YUV_420_888 media.Image से चलता है. अगर आपके पास उनमें से किसी एक का सीधा ऐक्सेस है, तो उन सोर्स से InputImage बनाने का सुझाव दिया जाता है. अगर आपने अन्य सोर्स से InputImage बनाया है, तो हम आपके लिए अंदरूनी तौर पर कन्वर्ज़न को मैनेज करेंगे. हालांकि, इससे आपको कम मदद मिल सकती है.

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

`media.Image` का इस्तेमाल किया जा रहा है

media.Image ऑब्जेक्ट से InputImage ऑब्जेक्ट बनाने के लिए, media.Image ऑब्जेक्ट और इमेज का घुमाव, InputImage.fromMediaImage() को पास करें. उदाहरण के लिए, जब आप किसी डिवाइस के कैमरे से इमेज कैप्चर कर रहे हों.

अगर आप CameraX लाइब्रेरी का इस्तेमाल करते हैं, तो OnImageCapturedListener और ImageAnalysis.Analyzer क्लास, आपके लिए रोटेशन 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
          // ...
        }
    }
}

किसी ऐसी कैमरा लाइब्रेरी का इस्तेमाल न करने पर, जो इमेज को घुमाने की डिग्री देती है, आप डिवाइस के घुमाव डिग्री और डिवाइस में कैमरा सेंसर की दिशा से उसका हिसाब लगा सकते हैं:

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

Kotlin

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

Java

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

फ़ाइल यूआरआई का इस्तेमाल करना

किसी फ़ाइल यूआरआई से InputImage ऑब्जेक्ट बनाने के लिए, ऐप्लिकेशन संदर्भ और फ़ाइल यूआरआई को InputImage.fromFilePath() पर भेजें. यह तब मददगार होता है, जब आप ACTION_GET_CONTENT इंटेंट का इस्तेमाल करके, उपयोगकर्ता से उनकी गैलरी के ऐप्लिकेशन से कोई 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 करके

ByteBuffer या ByteArray से InputImage ऑब्जेक्ट बनाने के लिए, पहले इमेज इनपुट के लिए डिग्री का हिसाब लगाएं, जैसा कि पहले media.Image इनपुट में बताया गया है. इसके बाद, बफ़र या अरे के साथ InputImage ऑब्जेक्ट बनाएं. इसमें इमेज की लंबाई, चौड़ाई, कलर एन्कोडिंग का फ़ॉर्मैट, और घुमाव की डिग्री शामिल है.

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 किया जा रहा है

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 ऑब्जेक्ट के साथ Bitmap ऑब्जेक्ट के ज़रिए दिखाया जाता है.

4. ऑब्जेक्ट डिटेक्टर चलाएं

Kotlin

objectDetector
    .process(image)
    .addOnFailureListener(e -> {...})
    .addOnSuccessListener(results -> {
        for (detectedObject in results) {
          // ...
        }
    });

Java

objectDetector
    .process(image)
    .addOnFailureListener(e -> {...})
    .addOnSuccessListener(results -> {
        for (DetectedObject detectedObject : results) {
          // ...
        }
    });

ध्यान दें: अगर आप CameraX एपीआई का इस्तेमाल कर रहे हैं, तो ImageProxy का इस्तेमाल करते समय उसे बंद कर दें. उदाहरण के लिए,process तरीके से लौटाए गए Task में OnCompleteListener जोड़कर. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.

5. लेबल किए गए ऑब्जेक्ट के बारे में जानकारी पाएं

अगर process() पर कॉल पूरा हो जाता है, तो सक्सेस लिसनर पर DetectedObjects की सूची पास हो जाती है.

हर DetectedObject में ये प्रॉपर्टी शामिल होती हैं:

बाउंडिंग बॉक्स Rect, जिससे इमेज में मौजूद ऑब्जेक्ट की जगह पता चलती है.

ट्रैकिंग आईडी पूर्णांक, जो इमेज में ऑब्जेक्ट की पहचान करता है. SINGLE_IMAGE_MODE में शून्य.

लेबल

लेबल वर्णन	लेबल का टेक्स्ट विवरण. सिर्फ़ तब दिखता है, जब TensorFlow लाइट मॉडल के मेटाडेटा में लेबल की जानकारी दी गई हो.
लेबल इंडेक्स	क्लासिफ़ायर को काम करने वाले सभी लेबल में लेबल का इंडेक्स.
लेबल कॉन्फ़िडेंस	ऑब्जेक्ट क्लासिफ़िकेशन की कॉन्फ़िडेंस वैल्यू.

Kotlin

// The list of detected objects contains one item if multiple
// object detection wasn't enabled.
for (detectedObject in results) {
    val boundingBox = detectedObject.boundingBox
    val trackingId = detectedObject.trackingId
    for (label in detectedObject.labels) {
      val text = label.text
      val index = label.index
      val confidence = label.confidence
    }
}

Java

// The list of detected objects contains one item if multiple
// object detection wasn't enabled.
for (DetectedObject detectedObject : results) {
  Rect boundingBox = detectedObject.getBoundingBox();
  Integer trackingId = detectedObject.getTrackingId();
  for (Label label : detectedObject.getLabels()) {
    String text = label.getText();
    int index = label.getIndex();
    float confidence = label.getConfidence();
  }
}

शानदार उपयोगकर्ता अनुभव पक्का करने के लिए

बेहतरीन उपयोगकर्ता अनुभव के लिए, अपने ऐप्लिकेशन में इन दिशा-निर्देशों का पालन करें:

ऑब्जेक्ट की पहचान आसान है, जो ऑब्जेक्ट की विज़ुअल जटिलता पर निर्भर करता है. ऐसे ऑब्जेक्ट, जिन्हें कुछ ही विज़ुअल सुविधाओं वाली चीज़ों का पता लगाने के लिए, इमेज के बड़े हिस्से का इस्तेमाल करने की ज़रूरत पड़ती है. आपको उपयोगकर्ताओं को इनपुट कैप्चर करने के बारे में दिशा-निर्देश देने चाहिए, जो उन ऑब्जेक्ट के साथ अच्छी तरह से काम करता है जिनका आप पता लगाना चाहते हैं.
क्लासिफ़िकेशन का इस्तेमाल करते समय, अगर आपको ऐसी ऑब्जेक्ट की पहचान करनी है जो इसके साथ काम करने वाली कैटगरी में नहीं आती हैं, तो बिना बताए गए ऑब्जेक्ट के लिए, खास हैंडलिंग लागू करें.

साथ ही, एमएल किट मटीरियल डिज़ाइन शोकेस ऐप्लिकेशन और मटीरियल डिज़ाइन मशीन लर्निंग से चलने वाली सुविधाओं के पैटर्न देखें.

Improving performance

अगर आपको रीयल-टाइम ऐप्लिकेशन में ऑब्जेक्ट की पहचान का इस्तेमाल करना है, तो इन फ़्रेम दिशा-निर्देशों का पालन करें:

रीयल-टाइम ऐप्लिकेशन में स्ट्रीमिंग मोड का इस्तेमाल करने पर, एक से ज़्यादा ऑब्जेक्ट की पहचान करने की सुविधा का इस्तेमाल न करें. ऐसा इसलिए, क्योंकि ज़्यादातर डिवाइस ज़रूरी फ़्रेम दर नहीं बना सकते.
अगर Camera या camera2 एपीआई का इस्तेमाल किया जा रहा है, तो डिटेक्टर को कॉल थ्रॉटल करें. अगर डिटेक्टर चलने के दौरान नया वीडियो फ़्रेम उपलब्ध हो जाता है, तो फ़्रेम छोड़ दें. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में VisionProcessorBase क्लास देखें.
अगर CameraX एपीआई का इस्तेमाल किया जाता है, तो पक्का करें कि बैकप्रेस स्ट्रेटजी इसकी डिफ़ॉल्ट वैल्यू ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST पर सेट हो. इस बात की गारंटी है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज डिलीवर की जाएगी. अगर विश्लेषक के व्यस्त होने पर ज़्यादा इमेज बनाई जाती हैं, तो उन्हें अपने-आप ही छोड़ दिया जाएगा और डिलीवरी के लिए उन्हें सूची में नहीं रखा जाएगा. विश्लेषण की जा रही इमेज को ImageProxy.करीब() बंद करके, अगली नई इमेज डिलीवर की जाएगी.
अगर आप इनपुट इमेज पर ग्राफ़िक ओवरले करने के लिए डिटेक्टर के आउटपुट का इस्तेमाल करते हैं, तो पहले ML किट से नतीजा पाएं. इसके बाद, इमेज और ओवरले को एक ही चरण में रेंडर करें. यह डिसप्ले के हर फ़्रेम के लिए सिर्फ़ एक बार डिसप्ले की सतह पर रेंडर होता है. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में CameraSourcePreview और GraphicOverlay क्लास देखें.
Camera2 एपीआई का इस्तेमाल करने पर, इमेज को ImageFormat.YUV_420_888 फ़ॉर्मैट में कैप्चर करें. अगर आप पुराने Camera API का इस्तेमाल करते हैं, तो इमेज को ImageFormat.NV21 फ़ॉर्मैट में कैप्चर करें.

Android पर कस्टम वर्गीकरण मॉडल के साथ ऑब्जेक्ट का पता लगाएं, उन्हें ट्रैक करें और वर्गीकृत करें

इसे आज़माएं

शुरू करने से पहले

1. मॉडल लोड करें

लोकल मॉडल सोर्स को कॉन्फ़िगर करना

Kotlin

Java

Firebase से होस्ट किए गए मॉडल सोर्स को कॉन्फ़िगर करना

Kotlin

Java

Kotlin

Java

2. ऑब्जेक्ट डिटेक्टर को कॉन्फ़िगर करें

Kotlin

Java

Kotlin

Java

Kotlin

Java

3. इनपुट इमेज तैयार करें

media.Image का इस्तेमाल किया जा रहा है

Kotlin

Java

Kotlin

Java

Kotlin

Java

फ़ाइल यूआरआई का इस्तेमाल करना

Kotlin

Java

ByteBuffer या ByteArray का इस्तेमाल करके

Kotlin

Java

Bitmap का इस्तेमाल किया जा रहा है

Kotlin

Java

4. ऑब्जेक्ट डिटेक्टर चलाएं

Kotlin

Java

5. लेबल किए गए ऑब्जेक्ट के बारे में जानकारी पाएं

Kotlin

Java

शानदार उपयोगकर्ता अनुभव पक्का करने के लिए

Improving performance

`media.Image` का इस्तेमाल किया जा रहा है

`ByteBuffer` या `ByteArray` का इस्तेमाल करके

`Bitmap` का इस्तेमाल किया जा रहा है