Mendeteksi objek pada gambar dengan ML Kit: Android

1. Sebelum memulai

ML Kit adalah SDK seluler yang menghadirkan keahlian machine learning di perangkat Google untuk aplikasi Android dan iOS. Anda dapat menggunakan Vision API dan Natural Language API yang canggih namun mudah digunakan untuk mengatasi tantangan umum di aplikasi atau membuat pengalaman pengguna yang benar-benar baru. Semuanya didukung oleh model ML terbaik di kelasnya dari Google dan ditawarkan kepada Anda tanpa biaya.

Semua API ML Kit berjalan di perangkat, sehingga memungkinkan kasus penggunaan real-time, misalnya, saat Anda ingin memproses streaming kamera live. Ini juga berarti bahwa fungsi tersebut tersedia secara offline.

Codelab ini akan memandu Anda melalui langkah-langkah sederhana untuk menambahkan Deteksi dan Pelacakan Objek (ODT) untuk gambar tertentu ke aplikasi Android yang ada. Perhatikan bahwa codelab ini menggunakan beberapa pintasan untuk menyoroti penggunaan ODT ML Kit.

Yang akan Anda bangun

Dalam codelab ini, Anda akan membuat aplikasi Android dengan ML Kit. Aplikasi Anda akan menggunakan ML Kit Object Detection and Tracking API untuk mendeteksi objek dalam gambar tertentu.Pada akhirnya, Anda akan melihat sesuatu yang mirip dengan gambar di sebelah kanan.

Yang akan Anda pelajari

  • Cara mengintegrasikan ML Kit SDK ke dalam aplikasi Android
  • API Deteksi dan Pelacakan Objek ML Kit

Yang Anda butuhkan

  • Versi terbaru Android Studio (v4.1.2+)
  • Emulator Android Studio atau perangkat Android fisik
  • Kode contoh
  • Pengetahuan dasar tentang pengembangan Android di Kotlin

Codelab ini berfokus pada ML Kit. Konsep dan blok kode yang tidak relevan akan dibahas sekilas dan disediakan, jadi Anda cukup menyalin dan menempelkannya.

2. Memulai persiapan

Download Kode

Klik link berikut untuk mendownload semua kode untuk codelab ini:

Ekstrak file ZIP yang didownload. Tindakan ini akan mengekstrak folder root (mlkit-android-main) dengan semua resource yang Anda butuhkan. Untuk codelab ini, Anda hanya memerlukan sumber di subdirektori object-detection.

Subdirektori deteksi objek di repositori mlkit-android berisi dua direktori:

  • android_studio_folder.pngstarter—Memulai kode yang Anda buat untuk codelab ini.
  • android_studio_folder.pngfinal—Kode lengkap untuk aplikasi contoh yang telah selesai.

3. Menambahkan ML Kit Object Detection and Tracking API ke project

Mengimpor aplikasi ke Android Studio

Mari kita mulai dengan mengimpor aplikasi awal ke Android Studio.

Buka Android Studio, pilih Import Project (Gradle, Eclipse ADT, etc.), lalu pilih folder starter dari kode sumber yang telah Anda download sebelumnya.

7c0f27882a2698ac.png

Menambahkan dependensi untuk Deteksi dan Pelacakan Objek ML Kit

Dependensi ML Kit memungkinkan Anda mengintegrasikan ML Kit ODT SDK di aplikasi. Tambahkan baris berikut ke akhir file app/build.gradle project Anda:

build.gradle

dependencies {
  // ...
  implementation 'com.google.mlkit:object-detection:16.2.4'
}

Menyinkronkan project dengan file gradle

Untuk memastikan semua dependensi tersedia untuk aplikasi, Anda harus menyinkronkan project dengan file gradle pada tahap ini.

Pilih Sync Project with Gradle Files ( b451ab2d04d835f9.png) dari toolbar Android Studio.

(Jika tombol ini dinonaktifkan, pastikan Anda hanya mengimpor starter/app/build.gradle , bukan seluruh repositori.)

4. Menjalankan aplikasi awal

Setelah mengimpor project ke Android Studio dan menambahkan dependensi untuk Deteksi dan Pelacakan Objek ML Kit, Anda siap menjalankan aplikasi untuk pertama kalinya.

Hubungkan perangkat Android Anda melalui USB ke host, atau Mulai emulator Android Studio, lalu klik Run ( execute.png) di toolbar Android Studio.

Menjalankan dan menjelajahi aplikasi

Aplikasi akan diluncurkan di perangkat Android Anda. File ini memiliki beberapa kode boilerplate untuk memungkinkan Anda mengambil foto, atau memilih gambar preset, dan memasukkannya ke pipeline pelacakan dan deteksi objek yang akan Anda build dalam codelab ini. Mari kita jelajahi aplikasi sedikit sebelum menulis kode.

Pertama, ada Tombol ( c6d965d639c3646.png) di bagian bawah untuk:

  • menampilkan aplikasi kamera yang terintegrasi di perangkat/emulator Anda
  • mengambil foto di dalam aplikasi kamera
  • menerima gambar yang diambil di aplikasi awal
  • menampilkan gambar

Coba tombol Ambil foto, ikuti petunjuk untuk mengambil foto, terima foto, dan amati foto yang ditampilkan di dalam aplikasi awal.

Ulangi beberapa kali untuk melihat cara kerjanya:

9ec541980dbe2d31.png 8312dde41425ba4b.png fa8492bfc1914ff0.png

Kedua, ada 3 gambar preset yang dapat Anda pilih. Anda dapat menggunakan gambar ini nanti untuk menguji kode deteksi objek jika Anda menjalankannya di emulator Android.

Pilih gambar dari 3 gambar preset. Perhatikan bahwa gambar muncul dalam tampilan yang lebih besar:

1dd41b3ec978f1d9.png

5. Menambahkan deteksi objek di perangkat

Pada langkah ini, Anda akan menambahkan fungsi ke aplikasi awal untuk mendeteksi objek dalam gambar. Seperti yang Anda lihat di langkah sebelumnya, aplikasi awal berisi kode boilerplate untuk mengambil foto dengan aplikasi kamera di perangkat. Ada juga 3 gambar preset di aplikasi yang dapat Anda gunakan untuk mencoba deteksi objek jika menjalankan codelab di emulator Android.

Setelah Anda memilih gambar, baik dari gambar preset maupun mengambil foto dengan aplikasi kamera, kode boilerplate akan mendekode gambar tersebut menjadi instance Bitmap, menampilkannya di layar, dan memanggil metode runObjectDetection dengan gambar.

Pada langkah ini, Anda akan menambahkan kode ke metode runObjectDetection untuk melakukan deteksi objek.

Menyiapkan dan menjalankan deteksi objek di perangkat pada gambar

Hanya ada 3 langkah sederhana dengan 3 API untuk menyiapkan ODT ML Kit:

  • menyiapkan gambar: InputImage
  • membuat objek detektor: ObjectDetection.getClient(options)
  • hubungkan 2 objek di atas: process(image)

Anda dapat melakukannya di dalam fungsi runObjectDetection(bitmap: Bitmap) dalam file MainActivity.kt.

/**
 * ML Kit Object Detection Function
 */
private fun runObjectDetection(bitmap: Bitmap) {
}

Saat ini fungsinya kosong. Lanjutkan ke langkah-langkah berikut untuk menerapkan ODT ML Kit. Selama prosesnya, Android Studio akan meminta Anda untuk menambahkan impor yang diperlukan:

  • com.google.mlkit.vision.common.InputImage
  • com.google.mlkit.vision.objects.ObjectDetection
  • com.google.mlkit.vision.objects.defaults.ObjectDetectorOptions

Langkah 1: Buat InputImage

ML Kit menyediakan API sederhana untuk membuat InputImage dari Bitmap. Kemudian, Anda dapat memasukkan InputImage ke dalam ML Kit API.

// Step 1: create ML Kit's InputImage object
val image = InputImage.fromBitmap(bitmap, 0)

Tambahkan kode di atas ke bagian atas runObjectDetection(bitmap:Bitmap).

Langkah 2: Buat instance detector

ML Kit mengikuti Pola Desain Builder. Anda akan meneruskan konfigurasi ke builder, lalu mendapatkan detector darinya. Ada 3 opsi yang dapat dikonfigurasi (opsi dalam cetak tebal digunakan dalam codelab ini):

  • mode detektor (gambar tunggal atau streaming)
  • mode deteksi (deteksi objek tunggal atau beberapa)
  • mode klasifikasi (aktif atau nonaktif)

Codelab ini ditujukan untuk satu gambar - deteksi & klasifikasi beberapa objek. Tambahkan sekarang:

// Step 2: acquire detector object
val options = ObjectDetectorOptions.Builder()
   .setDetectorMode(ObjectDetectorOptions.SINGLE_IMAGE_MODE)
   .enableMultipleObjects()
   .enableClassification()
   .build()
val objectDetector = ObjectDetection.getClient(options)

Langkah 3: Masukkan gambar ke detektor

Deteksi dan klasifikasi objek adalah pemrosesan asinkron:

  • Anda mengirim gambar ke detektor (melalui process()).
  • Detektor bekerja cukup keras untuk melakukannya.
  • Detector melaporkan hasilnya kembali kepada Anda melalui callback.

Kode berikut melakukan hal itu (menyalin dan menambahkan kode ke kode yang ada di dalam fun runObjectDetection(bitmap:Bitmap)):

// Step 3: feed given image to detector and setup callback
objectDetector.process(image)
   .addOnSuccessListener {
       // Task completed successfully
        debugPrint(it)
   }
   .addOnFailureListener {
       // Task failed with an exception
       Log.e(TAG, it.message.toString())
   }

Setelah selesai, detektor akan memberi tahu Anda dengan:

  • Jumlah total objek yang terdeteksi. Setiap objek yang terdeteksi dijelaskan dengan:
  • trackingId: bilangan bulat yang Anda gunakan untuk melacaknya lintas frame (TIDAK digunakan dalam codelab ini).
  • boundingBox: kotak pembatas objek.
  • labels: daftar label untuk objek yang terdeteksi (hanya jika klasifikasi diaktifkan):
  • index (Mendapatkan indeks label ini)
  • text (Dapatkan teks label ini termasuk "Barang Fashion", "Makanan", "Barang Rumah", "Tempat", "Tanaman")
  • confidence ( float antara 0,0 hingga 1,0 dengan 1,0 berarti 100%)

Anda mungkin telah melihat bahwa kode melakukan pemrosesan jenis printf untuk hasil yang terdeteksi dengan debugPrint().

Tambahkan ke class MainActivity:

private fun debugPrint(detectedObjects: List<DetectedObject>) {
   detectedObjects.forEachIndexed { index, detectedObject ->
       val box = detectedObject.boundingBox

       Log.d(TAG, "Detected object: $index")
       Log.d(TAG, " trackingId: ${detectedObject.trackingId}")
       Log.d(TAG, " boundingBox: (${box.left}, ${box.top}) - (${box.right},${box.bottom})")
       detectedObject.labels.forEach {
           Log.d(TAG, " categories: ${it.text}")
           Log.d(TAG, " confidence: ${it.confidence}")
       }
   }
}

Sekarang Anda siap menerima gambar untuk deteksi.

Mari kita jalankan codelab dengan mengklik Run ( execute.png) di toolbar Android Studio. Coba pilih gambar preset, atau ambil foto, lalu lihat jendela logcat( 16bd6ea224cf8cf1.png) di dalam IDE.

Anda akan melihat sesuatu yang mirip dengan ini:

D/MLKit Object Detection: Detected object: 0
D/MLKit Object Detection:  trackingId: null
D/MLKit Object Detection:  boundingBox: (481, 2021) - (2426,3376)
D/MLKit Object Detection:  categories: Food
D/MLKit Object Detection:  confidence: 0.90234375
D/MLKit Object Detection: Detected object: 1
D/MLKit Object Detection:  trackingId: null
D/MLKit Object Detection:  boundingBox: (2639, 2633) - (3058,3577)
D/MLKit Object Detection: Detected object: 2
D/MLKit Object Detection:  trackingId: null
D/MLKit Object Detection:  boundingBox: (3, 1816) - (615,2597)
D/MLKit Object Detection:  categories: Home good
D/MLKit Object Detection:  confidence: 0.75390625

...yang berarti bahwa detektor melihat 3 objek:

  • Kategorinya adalah Makanan dan Peralatan rumah tangga.
  • Tidak ada kategori yang ditampilkan untuk yang ke-2 karena merupakan class yang tidak diketahui.
  • Tidak ada trackingId (karena ini adalah mode deteksi gambar tunggal).
  • Posisi di dalam persegi panjang boundingBox (misalnya (481, 2021) – (2426, 3376))
  • Detektor cukup yakin bahwa yang pertama adalah Makanan (kepercayaan 90%—itu adalah salad).

Secara teknis, itulah semua yang Anda perlukan agar Deteksi Objek ML Kit berfungsi: Anda sudah memiliki semuanya saat ini. Selamat!

Di sisi UI, Anda masih berada di tahap awal, tetapi Anda dapat menggunakan hasil yang terdeteksi di UI seperti menggambar kotak pembatas untuk menciptakan pengalaman yang lebih baik: mari kita lanjutkan ke langkah berikutnya – memproses hasil yang terdeteksi.

6. Pascapemrosesan hasil deteksi

Pada langkah sebelumnya, Anda mencetak hasil yang terdeteksi ke logcat: sederhana dan cepat.

Di bagian ini, Anda akan menggunakan hasilnya ke dalam gambar:

  • menggambar kotak pembatas pada gambar
  • menggambar nama kategori dan keyakinan di dalam kotak pembatas

Memahami utilitas visualisasi

Ada beberapa kode boilerplate di dalam codelab untuk membantu Anda memvisualisasikan hasil deteksi. Manfaatkan utilitas ini untuk menyederhanakan kode visualisasi:

  • data class BoxWithText(val box: Rect, val text: String) Ini adalah class data untuk menyimpan hasil deteksi objek untuk visualisasi. box adalah kotak pembatas tempat objek berada, dan text adalah string hasil deteksi yang akan ditampilkan bersama dengan kotak pembatas objek.
  • fun drawDetectionResult(bitmap: Bitmap, detectionResults: List<BoxWithText>): Bitmap Metode ini menggambar hasil deteksi objek di detectionResults pada input bitmap dan menampilkan salinan yang diubah.

Berikut adalah contoh output metode utilitas drawDetectionResult:

58c6f1d4ddb00dfa.png

Memvisualisasikan hasil deteksi ML Kit

Gunakan utilitas visualisasi untuk menggambar hasil deteksi objek ML Kit di atas gambar input.

Buka tempat Anda memanggil debugPrint() dan tambahkan cuplikan kode berikut di bawahnya:

// Parse ML Kit's DetectedObject and create corresponding visualization data
val detectedObjects = it.map { obj ->
    var text = "Unknown"

    // We will show the top confident detection result if it exist
    if (obj.labels.isNotEmpty()) {
        val firstLabel = obj.labels.first()
        text = "${firstLabel.text}, ${firstLabel.confidence.times(100).toInt()}%"
    }
    BoxWithText(obj.boundingBox, text)
}

// Draw the detection result on the input bitmap
val visualizedResult = drawDetectionResult(bitmap, detectedObjects)

// Show the detection result on the app screen
runOnUiThread {
    inputImageView.setImageBitmap(visualizedResult)
}
  • Anda memulai dengan mengurai DetectedObject ML Kit dan membuat daftar objek BoxWithText untuk menampilkan hasil visualisasi.
  • Kemudian, Anda menggambar hasil deteksi di atas gambar input, menggunakan metode utilitas drawDetectionResult, dan menampilkannya di layar.

Menjalankan aplikasi

Sekarang klik Run ( execute.png) di toolbar Android Studio.

Setelah aplikasi dimuat, tekan Tombol dengan ikon kamera, arahkan kamera ke objek, ambil foto, terima foto (di Aplikasi Kamera), atau Anda dapat dengan mudah mengetuk gambar preset. Anda akan melihat hasil deteksi; tekan Tombol lagi atau pilih gambar lain untuk diulang beberapa kali guna merasakan ODT ML Kit terbaru.

a03109cb30d5014d.png

7. Selamat!

Anda telah menggunakan ML Kit untuk menambahkan kemampuan Deteksi Objek ke aplikasi Anda:

  • 3 langkah dengan 3 API
  • Membuat Gambar Input
  • Membuat Pendeteksi
  • Mengirim Gambar ke Pendeteksi

Hanya itu yang Anda perlukan untuk menyiapkan dan menjalankannya.

Saat melanjutkan, Anda mungkin ingin meningkatkan kualitas model: seperti yang dapat Anda lihat, model default hanya dapat mengenali 5 kategori—model bahkan tidak mengenali pisau, garpu, dan botol. Lihat codelab lainnya di jalur pembelajaran Machine Learning di Perangkat - Deteksi Objek untuk mempelajari cara melatih model kustom.

Yang telah kita bahas

  • Cara menambahkan Deteksi dan Pelacakan Objek ML Kit ke aplikasi Android Anda
  • Cara menggunakan deteksi dan pelacakan objek di perangkat di ML Kit untuk mendeteksi objek dalam gambar

Langkah Berikutnya

  • Jelajahi lebih lanjut dengan ODT ML Kit dengan lebih banyak gambar dan video live untuk merasakan akurasi dan performa deteksi & klasifikasi
  • Lihat jalur pembelajaran Deteksi Objek di Machine Learning di Perangkat untuk mempelajari cara melatih model kustom
  • Menerapkan ODT ML Kit di aplikasi Android Anda sendiri

Pelajari Lebih Lanjut