Android'de AutoML ile eğitilmiş bir modelle görüntülerdeki nesneleri algılama

AutoML Vision Edge'i kullanarak kendi modelinizi eğittikten sonra bunu uygulamanızda görüntülerdeki nesneleri algılamak için kullanabilirsiniz.

AutoML Vision Edge'den eğitilen modelleri entegre etmenin iki yolu vardır: Modeli, uygulamanızın varlık klasörüne yerleştirerek paketleyebilir veya Firebase'den dinamik olarak indirebilirsiniz.

Model paketleme seçenekleri
Uygulamanızda paketlenmiştir
  • Model, uygulamanızın APK'sının bir parçasıdır
  • Model, Android cihazı çevrimdışı olduğunda bile anında kullanılabilir
  • Firebase projesine gerek yok
Firebase'de barındırılıyor
  • Modeli Firebase Machine Learning'e yükleyerek barındırın
  • APK boyutunu azaltır
  • Model talep üzerine indirilir
  • Uygulamanızı yeniden yayınlamadan model güncellemelerini aktarın
  • Firebase Remote Config ile kolay A/B testi
  • Firebase projesi gerektirir

Sen başlamadan önce

  1. Bir model indirmek istiyorsanız , henüz yapmadıysanız Firebase'i Android projenize eklediğinizden emin olun. Modeli paketlediğinizde buna gerek yoktur.

  2. TensorFlow Lite Görev kitaplığının bağımlılıklarını modülünüzün genellikle app/build.gradle olan uygulama düzeyindeki gradle dosyasına ekleyin:

    Bir modeli uygulamanızla birlikte paketlemek için:

    dependencies {
      // ...
      // Object detection with a bundled Auto ML model
      implementation 'org.tensorflow:tensorflow-lite-task-vision:0.0.0-nightly-SNAPSHOT'
    }
    

    Firebase'den dinamik olarak bir model indirmek için Firebase ML bağımlılığını da ekleyin:

    dependencies {
      // ...
      // Object detection with an Auto ML model deployed to Firebase
      implementation platform('com.google.firebase:firebase-bom:26.1.1')
      implementation 'com.google.firebase:firebase-ml-model-interpreter'
    
      implementation 'org.tensorflow:tensorflow-lite-task-vision:0.0.0-nightly'
    }
    

1. Modeli yükleyin

Yerel bir model kaynağı yapılandırma

Modeli uygulamanızla paketlemek için:

  1. Modeli, Google Cloud konsolundan indirdiğiniz zip arşivinden çıkarın.
  2. Modelinizi uygulama paketinize ekleyin:
    1. Projenizde varlıklar klasörünüz yoksa, app/ klasöre sağ tıklayıp ardından Yeni > Klasör > Varlıklar Klasörü seçeneğine tıklayarak bir tane oluşturun.
    2. Gömülü meta veriler içeren tflite model dosyanızı varlıklar klasörüne kopyalayın.
  3. Gradle'ın uygulamayı oluştururken model dosyasını sıkıştırmadığından emin olmak için uygulamanızın build.gradle dosyasına aşağıdakileri ekleyin:

    android {
        // ...
        aaptOptions {
            noCompress "tflite"
        }
    }
    

    Model dosyası uygulama paketine dahil edilecek ve ham varlık olarak kullanıma sunulacaktır.

Firebase tarafından barındırılan bir model kaynağı yapılandırma

Uzaktan barındırılan modeli kullanmak için, modeli yayınlarken atadığınız adı belirterek bir RemoteModel nesnesi oluşturun:

Java

// Specify the name you assigned when you deployed the model.
FirebaseCustomRemoteModel remoteModel =
        new FirebaseCustomRemoteModel.Builder("your_model").build();

Kotlin

// Specify the name you assigned when you deployed the model.
val remoteModel =
    FirebaseCustomRemoteModel.Builder("your_model_name").build()

Ardından, indirmeye izin vermek istediğiniz koşulları belirterek model indirme görevini başlatın. Model cihazda yoksa veya modelin daha yeni bir sürümü mevcutsa görev, modeli Firebase'den eşzamansız olarak indirir:

Java

DownloadConditions downloadConditions = new DownloadConditions.Builder()
        .requireWifi()
        .build();
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(@NonNull Task<Void> task) {
                // Success.
            }
        });

Kotlin

val downloadConditions = DownloadConditions.Builder()
    .requireWifi()
    .build()
RemoteModelManager.getInstance().download(remoteModel, downloadConditions)
    .addOnSuccessListener {
        // Success.
    }

Çoğu uygulama, indirme görevini kendi başlatma kodunda başlatır, ancak bunu, modeli kullanmanız gerekmeden önce herhangi bir noktada yapabilirsiniz.

Modelinizden bir nesne algılayıcı oluşturun

Model kaynaklarınızı yapılandırdıktan sonra bunlardan birinden bir ObjectDetector nesnesi oluşturun.

Yalnızca yerel olarak paketlenmiş bir modeliniz varsa, model dosyanızdan bir nesne algılayıcı oluşturmanız ve gerek duymak istediğiniz güven puanı eşiğini yapılandırmanız yeterlidir (bkz. Modelinizi değerlendirin ):

Java

// Initialization
ObjectDetectorOptions options = ObjectDetectorOptions.builder()
    .setScoreThreshold(0)  // Evaluate your model in the Google Cloud console
                           // to determine an appropriate value.
    .build();
ObjectDetector objectDetector = ObjectDetector.createFromFileAndOptions(context, modelFile, options);

Kotlin

// Initialization
val options = ObjectDetectorOptions.builder()
    .setScoreThreshold(0)  // Evaluate your model in the Google Cloud console
                           // to determine an appropriate value.
    .build()
val objectDetector = ObjectDetector.createFromFileAndOptions(context, modelFile, options)

Uzaktan barındırılan bir modeliniz varsa, çalıştırmadan önce indirilip indirilmediğini kontrol etmeniz gerekecektir. Model yöneticisinin isModelDownloaded() yöntemini kullanarak model indirme görevinin durumunu kontrol edebilirsiniz.

Bunu yalnızca nesne algılayıcıyı çalıştırmadan önce onaylamanız gerekse de, hem uzaktan barındırılan bir modeliniz hem de yerel olarak paketlenmiş bir modeliniz varsa, nesne algılayıcıyı başlatırken bu kontrolü gerçekleştirmek mantıklı olabilir: uzaktan kumandadan bir nesne algılayıcısı oluşturun indirilmişse modelden, aksi halde yerel modelden.

Java

FirebaseModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener<Boolean>() {
            @Override
            public void onSuccess(Boolean isDownloaded) {
            }
        });

Kotlin

FirebaseModelManager.getInstance().isModelDownloaded(remoteModel)
        .addOnSuccessListener { success ->

        }

Yalnızca uzaktan barındırılan bir modeliniz varsa, modelin indirildiğini onaylayana kadar modelle ilgili işlevleri (örneğin, kullanıcı arayüzünüzün grileştirilmesi veya bir kısmının gizlenmesi) devre dışı bırakmalısınız. Bunu, model yöneticisinin download() yöntemine bir dinleyici ekleyerek yapabilirsiniz.

Modelinizin indirildiğini öğrendikten sonra model dosyasından bir nesne algılayıcı oluşturun:

Java

FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
        .addOnCompleteListener(new OnCompleteListener<File>() {
            @Override
            public void onComplete(@NonNull Task<File> task) {
                File modelFile = task.getResult();
                if (modelFile != null) {
                    ObjectDetectorOptions options = ObjectDetectorOptions.builder()
                            .setScoreThreshold(0)
                            .build();
                    objectDetector = ObjectDetector.createFromFileAndOptions(
                            getApplicationContext(), modelFile.getPath(), options);
                }
            }
        });

Kotlin

FirebaseModelManager.getInstance().getLatestModelFile(remoteModel)
        .addOnSuccessListener { modelFile ->
            val options = ObjectDetectorOptions.builder()
                    .setScoreThreshold(0f)
                    .build()
            objectDetector = ObjectDetector.createFromFileAndOptions(
                    applicationContext, modelFile.path, options)
        }

2. Giriş görüntüsünü hazırlayın

Ardından etiketlemek istediğiniz her görüntü için görüntünüzden bir TensorImage nesnesi oluşturun. fromBitmap yöntemini kullanarak bir Bitmap TensorImage nesnesi oluşturabilirsiniz:

Java

TensorImage image = TensorImage.fromBitmap(bitmap);

Kotlin

val image = TensorImage.fromBitmap(bitmap)

Görüntü verileriniz bir Bitmap değilse TensorFlow Lite belgelerinde gösterildiği gibi bir piksel dizisi yükleyebilirsiniz.

3. Nesne dedektörünü çalıştırın

Bir görüntüdeki nesneleri algılamak için TensorImage nesnesini ObjectDetector detect() yöntemine iletin.

Java

List<Detection> results = objectDetector.detect(image);

Kotlin

val results = objectDetector.detect(image)

4. Etiketli nesneler hakkında bilgi edinin

Nesne algılama işlemi başarılı olursa Detection nesnelerinin bir listesini döndürür. Her Detection nesnesi, görüntüde algılanan bir şeyi temsil eder. Her nesnenin sınırlayıcı kutusunu ve etiketlerini alabilirsiniz.

Örneğin:

Java

for (Detection result : results) {
    RectF bounds = result.getBoundingBox();
    List<Category> labels = result.getCategories();
}

Kotlin

for (result in results) {
    val bounds = result.getBoundingBox()
    val labels = result.getCategories()
}

Gerçek zamanlı performansı artırmaya yönelik ipuçları

Görüntüleri gerçek zamanlı bir uygulamada etiketlemek istiyorsanız en iyi kare hızlarına ulaşmak için şu yönergeleri izleyin:

  • Görüntü etiketleyiciye çağrıları kısın. Görüntü etiketleyici çalışırken yeni bir video karesi kullanılabilir hale gelirse kareyi bırakın. Örnek için hızlı başlangıç ​​örnek uygulamasında VisionProcessorBase sınıfına bakın.
  • Grafikleri giriş görüntüsüne yerleştirmek için görüntü etiketleyicinin çıkışını kullanıyorsanız, önce sonucu alın, ardından tek adımda görüntüyü oluşturun ve kaplayın. Bunu yaparak, her giriş karesi için ekran yüzeyini yalnızca bir kez görüntüleyebilirsiniz. Örnek için hızlı başlangıç ​​örnek uygulamasındaki CameraSourcePreview ve GraphicOverlay sınıflarına bakın.
  • Camera2 API'sini kullanıyorsanız görüntüleri ImageFormat.YUV_420_888 formatında yakalayın.

    Eski Kamera API'sini kullanıyorsanız görüntüleri ImageFormat.NV21 formatında yakalayın.