Сегментация селфи

Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

API сегментации селфи ML Kit позволяет разработчикам легко отделить фон от пользователей в сцене и сосредоточиться на том, что важно. Добавление крутых эффектов к селфи или добавление ваших пользователей в интересное фоновое окружение никогда не было таким простым.

API сегментации селфи берет входное изображение и создает выходную маску. По умолчанию маска будет того же размера, что и входное изображение. Каждому пикселю маски присваивается число с плавающей запятой в диапазоне от [0,0 до 1,0]. Чем ближе число к 1,0, тем выше уверенность в том, что пиксель представляет человека, и наоборот.

API работает со статическими изображениями и примерами использования живого видео. Во время живого видео API будет использовать выходные данные предыдущих кадров, чтобы возвращать более плавные результаты сегментации.

iOS Android

Основные возможности:

  • Кроссплатформенная поддержка Наслаждайтесь одинаковыми возможностями как на Android, так и на iOS.
  • Поддержка одного или нескольких пользователей Простое сегментирование нескольких людей или только одного человека без изменения каких-либо настроек.
  • Полная и половинная поддержка тела API может сегментировать портреты и видео как в полный рост, так и в верхнюю часть тела.
  • Результаты в режиме реального времени API основан на процессоре и работает в режиме реального времени на большинстве современных смартфонов (20 FPS+) и хорошо работает как с потоками неподвижных изображений, так и с живыми видеопотоками.
  • Поддержка маски необработанного размера По умолчанию выходные данные маски сегментации имеют тот же размер, что и входное изображение. API также поддерживает параметр, который создает маску с выходным размером модели (например, 256x256). Этот параметр упрощает применение пользовательской логики масштабирования или уменьшает задержку, если масштабирование до размера входного изображения не требуется для вашего варианта использования.

Пример результатов

Входное изображение Выходное изображение + маска

Под капотом

Для получения дополнительной информации о том, как модель была обучена, и о наших методах обеспечения справедливости ML, ознакомьтесь с нашей карточкой модели .