Khi chuyển một hình ảnh sang Bộ công cụ máy học, công cụ này sẽ phát hiện tối đa năm đối tượng trong hình ảnh cùng với vị trí của từng đối tượng trong hình ảnh đó. Khi phát hiện đối tượng trong luồng video, mỗi đối tượng có một mã nhận dạng duy nhất mà bạn có thể dùng để theo dõi đối tượng từ khung này đến khung khác.
Bạn có thể sử dụng mô hình phân loại hình ảnh tuỳ chỉnh để phân loại các đối tượng được phát hiện. Vui lòng tham khảo Mô hình tuỳ chỉnh có Bộ công cụ máy học để được hướng dẫn về các yêu cầu về khả năng tương thích với mô hình, nơi tìm các mô hình đã huấn luyện trước và cách huấn luyện các mô hình của riêng bạn.
Có hai cách để tích hợp một mô hình tuỳ chỉnh. Bạn có thể nhóm mô hình bằng cách đặt mô hình bên trong thư mục thành phần của ứng dụng, hoặc bạn có thể tự động tải mô hình đó xuống từ Firebase. Bảng sau đây sẽ so sánh hai tuỳ chọn.
| Mô hình theo gói | Mô hình được lưu trữ |
|---|---|
| Mô hình là một phần của APK của ứng dụng, làm tăng kích thước của ứng dụng. | Mô hình này không có trong tệp APK của bạn. Tệp này được lưu trữ bằng cách tải lên Công nghệ máy học Firebase. |
| Kiểu máy có sẵn ngay lập tức, ngay cả khi thiết bị Android không có kết nối mạng | Mô hình được tải xuống theo yêu cầu |
| Không cần dự án Firebase | Cần có dự án Firebase |
| Bạn phải phát hành lại ứng dụng để cập nhật mô hình | Thúc đẩy bản cập nhật mô hình mà không cần phát hành lại ứng dụng |
| Không có thử nghiệm A/B tích hợp sẵn | Thử nghiệm A/B dễ dàng với Cấu hình từ xa Firebase |
Chạy thử ứng dụng
- Xem ứng dụng khởi động nhanh để tìm hiểu cách sử dụng mô hình đi kèm và ứng dụng tự động bắt đầu nhanh để sử dụng ví dụ về mô hình được lưu trữ.
- Hãy xem ứng dụng quảng cáo Material Design để biết cách triển khai toàn diện API này.
Trước khi bắt đầu
Trong tệp
build.gradlecấp dự án, hãy nhớ đưa kho lưu trữ Maven của Google vào cả hai mụcbuildscriptvàallprojects.Thêm các phần phụ thuộc cho thư viện Android ML Kit vào tệp gradle cấp ứng dụng của mô-đun, thường là
app/build.gradle:Cách đóng gói mô hình bằng ứng dụng của bạn:
dependencies { // ... // Object detection & tracking feature with custom bundled model implementation 'com.google.mlkit:object-detection-custom:17.0.0' }Để tự động tải một mô hình xuống từ Firebase, hãy thêm phần phụ thuộc
linkFirebase: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' }Nếu muốn tải một mô hình xuống, bạn hãy nhớ thêm Firebase vào dự án Android của mình nếu bạn chưa thêm. Đây là điều không bắt buộc khi bạn đóng gói mô hình.
1. Tải mô hình
Định cấu hình nguồn mô hình cục bộ
Cách đóng gói mô hình bằng ứng dụng của bạn:
Sao chép tệp mô hình (thường kết thúc bằng
.tflitehoặc.lite) vào thư mụcassets/của ứng dụng. (Có thể bạn sẽ cần tạo thư mục trước bằng cách nhấp chuột phải vào thư mụcapp/, sau đó nhấp vào New > Folder > Assets Folder (Mới > Thư mục > Thư mục thành phần).Sau đó, hãy thêm nội dung sau vào tệp
build.gradlecủa ứng dụng để đảm bảo Gradle không nén tệp mô hình khi tạo ứng dụng:android { // ... aaptOptions { noCompress "tflite" // or noCompress "lite" } }Tệp mô hình sẽ được đưa vào gói ứng dụng và có sẵn cho Bộ công cụ máy học dưới dạng một tài sản thô.
Tạo đối tượng
LocalModel, chỉ định đường dẫn đến tệp mô hình: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();
Định cấu hình nguồn mô hình được lưu trữ trên Firebase
Để sử dụng mô hình được lưu trữ từ xa, hãy tạo một đối tượng CustomRemoteModel bằng
FirebaseModelSource, chỉ định tên mà bạn chỉ định khi khởi tạo
mô hình đó:
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();
Sau đó, hãy bắt đầu tác vụ tải mô hình xuống, chỉ định các điều kiện mà bạn muốn cho phép tải xuống. Nếu mô hình không có trên thiết bị hoặc nếu có phiên bản mới hơn của mô hình, tác vụ sẽ tải không đồng bộ mô hình xuống từ Firebase:
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.
}
});
Nhiều ứng dụng bắt đầu nhiệm vụ tải xuống trong mã khởi động, nhưng bạn có thể làm như vậy bất cứ lúc nào trước khi cần sử dụng mô hình.
2. Định cấu hình trình phát hiện đối tượng
Sau khi bạn định cấu hình nguồn mô hình, hãy định cấu hình trình phát hiện đối tượng cho trường hợp sử dụng của bạn bằng đối tượng CustomObjectDetectorOptions. Bạn có thể thay đổi
các chế độ cài đặt sau:
| Cài đặt trình phát hiện đối tượng | |
|---|---|
| Chế độ phát hiện |
STREAM_MODE (mặc định) | SINGLE_IMAGE_MODE
Trong Trong |
| Phát hiện và theo dõi nhiều đối tượng |
false (mặc định) | true
Liệu có phát hiện và theo dõi tối đa 5 đối tượng hay chỉ đối tượng nổi bật nhất (mặc định). |
| Phân loại đối tượng |
false (mặc định) | true
Liệu có phân loại các đối tượng được phát hiện hay không bằng cách sử dụng mô hình thuật toán phân loại tuỳ chỉnh mà chúng tôi cung cấp. Để sử dụng mô hình phân loại
tùy chỉnh, bạn cần đặt giá trị này thành |
| Ngưỡng tin cậy khi phân loại |
Điểm tin cậy tối thiểu của nhãn đã phát hiện. Nếu bạn không đặt chính sách này, hệ thống sẽ sử dụng mọi ngưỡng phân loại do siêu dữ liệu của mô hình chỉ định. Nếu mô hình không chứa bất kỳ siêu dữ liệu nào hoặc siêu dữ liệu không chỉ định ngưỡng phân loại, thì ngưỡng mặc định sẽ là 0.0. |
| Số nhãn tối đa cho mỗi đối tượng |
Số nhãn tối đa cho mỗi đối tượng mà trình phát hiện sẽ trả về. Nếu bạn không đặt chính sách này, thì hệ thống sẽ sử dụng giá trị mặc định là 10. |
API phát hiện và theo dõi đối tượng được tối ưu hoá cho hai trường hợp sử dụng cốt lõi sau:
- Phát hiện và theo dõi trực tiếp đối tượng nổi bật nhất trong kính ngắm của máy ảnh.
- Phát hiện nhiều đối tượng từ một hình ảnh tĩnh.
Cách định cấu hình API cho các trường hợp sử dụng này bằng mô hình gói cục bộ:
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);
Nếu có mô hình lưu trữ từ xa, bạn sẽ phải kiểm tra để đảm bảo rằng mô hình đó đã được tải xuống trước khi chạy. Bạn có thể kiểm tra trạng thái của nhiệm vụ tải mô hình xuống
bằng phương thức isModelDownloaded() của trình quản lý mô hình.
Mặc dù bạn chỉ phải xác nhận điều này trước khi chạy trình phát hiện, nhưng nếu bạn có cả mô hình được lưu trữ từ xa và mô hình được gói cục bộ, thì bạn nên thực hiện việc kiểm tra này khi tạo bản sao của trình phát hiện hình ảnh: tạo trình phát hiện từ mô hình từ xa nếu mô hình đã được tải xuống và nếu không từ mô hình cục bộ.
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);
}
});
Nếu chỉ có một mô hình được lưu trữ từ xa, bạn nên vô hiệu hoá chức năng liên quan đến mô hình (ví dụ: chuyển sang màu xám hoặc ẩn một phần giao diện người dùng) cho đến khi xác nhận rằng mô hình đã được tải xuống. Bạn có thể thực hiện việc này bằng cách đính kèm trình nghe vào phương thức download() của trình quản lý mô hình:
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. Chuẩn bị hình ảnh nhập vào
Tạo đối tượngInputImage từ hình ảnh của bạn.
Trình phát hiện đối tượng chạy trực tiếp từ Bitmap, NV21 ByteBuffer hoặc
YUV_420_888 media.Image. Bạn nên tạo InputImage từ các nguồn đó nếu có quyền truy cập trực tiếp vào một trong các nguồn đó. Nếu bạn tạo InputImage từ các nguồn khác, thì chúng tôi sẽ xử lý lượt chuyển đổi nội bộ cho bạn và có thể sẽ kém hiệu quả hơn.
Bạn có thể tạo một đối tượng InputImage từ nhiều nguồn, mỗi phần được giải thích ở bên dưới.
Sử dụng media.Image
Để tạo một đối tượng InputImage từ đối tượng media.Image, chẳng hạn như khi bạn chụp ảnh từ máy ảnh của thiết bị, hãy chuyển đối tượng media.Image và chế độ xoay của hình ảnh đến InputImage.fromMediaImage().
Nếu bạn sử dụng thư viện CameraX, thì các lớp OnImageCapturedListener và ImageAnalysis.Analyzer sẽ tính toán giá trị xoay vòng cho bạn.
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
// ...
}
}
}
Nếu không sử dụng thư viện máy ảnh cho biết mức độ xoay của hình ảnh, bạn có thể tính toán mức độ này từ độ xoay của thiết bị và hướng của cảm biến máy ảnh trong thiết bị:
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;
}
Sau đó, hãy truyền đối tượng media.Image và giá trị độ xoay cho InputImage.fromMediaImage():
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
Sử dụng URI tệp
Để tạo một đối tượng InputImage từ URI tệp, hãy chuyển ngữ cảnh của ứng dụng và URI tệp đến InputImage.fromFilePath(). Tính năng này rất hữu ích khi bạn dùng ý định ACTION_GET_CONTENT để nhắc người dùng chọn một hình ảnh trong ứng dụng thư viện.
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();
}
Sử dụng ByteBuffer hoặc ByteArray
Để tạo một đối tượng InputImage từ ByteBuffer hoặc ByteArray, trước tiên hãy tính độ xoay hình ảnh như mô tả trước đó cho đầu vào media.Image.
Sau đó, hãy tạo đối tượng InputImage bằng vùng đệm hoặc mảng, cùng với chiều cao, chiều rộng, định dạng mã hoá màu và độ xoay của hình ảnh:
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
);
Sử dụng Bitmap
Để tạo một đối tượng InputImage từ đối tượng Bitmap, hãy khai báo nội dung sau:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
Hình ảnh này được biểu thị bằng một đối tượng Bitmap cùng với độ xoay.
4. Chạy trình phát hiện đối tượng
Kotlin
objectDetector
.process(image)
.addOnFailureListener(e -> {...})
.addOnSuccessListener(results -> {
for (detectedObject in results) {
// ...
}
});
Java
objectDetector
.process(image)
.addOnFailureListener(e -> {...})
.addOnSuccessListener(results -> {
for (DetectedObject detectedObject : results) {
// ...
}
});
5. Nhận thông tin về đối tượng được gắn nhãn
Nếu lệnh gọi đến process() thành công, danh sách DetectedObject sẽ được chuyển cho trình nghe thành công.
Mỗi DetectedObject chứa các thuộc tính sau:
| Hộp giới hạn | Rect cho biết vị trí của đối tượng trong hình ảnh. |
||||||
| Mã theo dõi | Số nguyên xác định đối tượng trên các hình ảnh. Không có giá trị trong SINGLE_IMAGE_MODE. | ||||||
| Nhãn |
|
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();
}
}
Đảm bảo trải nghiệm người dùng tuyệt vời
Để có trải nghiệm người dùng tốt nhất, hãy làm theo các nguyên tắc sau trong ứng dụng của bạn:
- Việc phát hiện đối tượng thành công phụ thuộc vào độ phức tạp trực quan của đối tượng. Để được phát hiện, các đối tượng có số lượng ít các đặc điểm hình ảnh có thể cần chiếm phần lớn hơn của hình ảnh. Bạn nên hướng dẫn người dùng về cách nhập nội dung hoạt động hiệu quả với loại đối tượng bạn muốn phát hiện.
- Khi sử dụng tính năng phân loại, nếu bạn muốn phát hiện các đối tượng không thuộc danh mục được hỗ trợ, hãy triển khai cách xử lý đặc biệt cho các đối tượng không xác định.
Ngoài ra, vui lòng xem ứng dụng quảng cáo Material Design của Material Design và bộ sưu tập Các hình thức sử dụng công nghệ máy học của Material Design.
Cải thiện hiệu suất
Nếu bạn muốn sử dụng tính năng phát hiện đối tượng trong ứng dụng theo thời gian thực, hãy làm theo các nguyên tắc sau để đạt được tốc độ khung hình tốt nhất:Khi bạn sử dụng chế độ phát trực tuyến trong một ứng dụng theo thời gian thực, đừng sử dụng tính năng phát hiện nhiều đối tượng vì hầu hết các thiết bị sẽ không thể tạo đủ tốc độ khung hình.
- Nếu bạn sử dụng API
Camerahoặccamera2, hãy điều tiết lệnh gọi đến trình phát hiện. Nếu một khung hình video mới xuất hiện trong khi trình phát hiện đang chạy, hãy thả khung hình đó. Hãy xem lớpVisionProcessorBasetrong ứng dụng mẫu khởi động nhanh để xem ví dụ. - Nếu bạn sử dụng API
CameraX, hãy nhớ đặt chiến lược backpressure về giá trị mặc địnhImageAnalysis.STRATEGY_KEEP_ONLY_LATEST. Việc này đảm bảo rằng mỗi lần hệ thống sẽ chỉ gửi một hình ảnh để phân tích. Nếu hệ thống tạo thêm hình ảnh khi trình phân tích bận, thì hình ảnh sẽ tự động được thả và không được đưa vào hàng đợi phân phối. Sau khi hình ảnh đang được phân tích được đóng bằng cách gọi ImageProxy.close(), hình ảnh mới nhất tiếp theo sẽ được phân phối. - Nếu bạn sử dụng đầu ra của trình phát hiện để phủ hình ảnh trên
hình ảnh đầu vào, trước tiên hãy nhận kết quả từ Bộ công cụ máy học, sau đó hiển thị hình ảnh
và lớp phủ trong một bước duy nhất. Điều này chỉ hiển thị với bề mặt hiển thị một lần cho mỗi khung đầu vào. Để biết ví dụ, hãy xem các lớp
CameraSourcePreviewvàGraphicOverlaytrong ứng dụng mẫu bắt đầu nhanh. - Nếu bạn sử dụng API Camera2, hãy chụp ảnh ở định dạng
ImageFormat.YUV_420_888. Nếu bạn sử dụng API Máy ảnh cũ, hãy chụp ảnh ở định dạngImageFormat.NV21.