1. Giriş
ML Kit, Google'ın makine öğrenimi uzmanlığını Android ve iOS uygulamalarına taşıyan, güçlü ancak kullanımı kolay bir mobil SDK'dır. Makine öğrenimine yeni başlamış olsanız da deneyimli olsanız da ihtiyacınız olan işlevleri yalnızca birkaç satır kodla kolayca uygulayabilirsiniz. Başlamak için nöral ağlar veya model optimizasyonu hakkında derinlemesine bilgi sahibi olmanız gerekmez.
Bu codelab'i uygularken herhangi bir sorunla (kod hataları, dilbilgisi hataları, net olmayan ifadeler vb.) karşılaşırsanız lütfen codelab'in sol alt köşesindeki Hata bildir bağlantısını kullanarak sorunu bildirin.
İşleyiş şekli
ML Kit, Mobile Vision ve TensorFlow Lite gibi Google'ın makine öğrenimi teknolojilerini tek bir SDK'da bir araya getirerek uygulamalarınızda makine öğrenimi tekniklerini kolayca uygulamanızı sağlar. İster Mobile Vision'ın cihaz üzerinde modellerinin gerçek zamanlı özelliklerine ister özel TensorFlow Lite modellerinin esnekliğine ihtiyacınız olsun, ML Kit size yardımcı olur.
Bu codelab'de, resimdeki metinleri ve yüz özelliklerini otomatik olarak algılayabilen kendi Android uygulamanızı oluşturma adımları açıklanmaktadır.
Ne oluşturacaksınız?
Bu codelab'de ML Kit ile bir Android uygulaması oluşturacaksınız. Uygulamanız şunları yapabilecek:
|
|
Neler öğreneceksiniz?
- Metin tanıma ve yüz özelliği algılama gibi gelişmiş makine öğrenimi özelliklerini kolayca eklemek için ML Kit SDK'sını kullanma
Gerekenler
- Android Studio'nun yeni bir sürümü (3.0 veya daha yeni)
- Android Studio Emulator veya fiziksel bir Android cihaz
- Örnek kod
- Java'da Android geliştirme hakkında temel bilgiler
- Makine öğrenimi modelleri hakkında temel bilgi
Bu codelab, ML Kit'e odaklanmaktadır. Alakalı olmayan kavramlar ve kod blokları işaretlenmiştir ve yalnızca kopyalayıp yapıştırmanız için paylaşılmıştır.
2. Hazırlanma
Kodu İndirme
Bu codelab'in tüm kodunu indirmek için aşağıdaki bağlantıyı tıklayın:
İndirilen ZIP dosyasını açın. Bu işlem, ihtiyacınız olan tüm kaynakları içeren bir kök klasörü (mlkit-android-master) açar. Bu codelab için yalnızca vision alt dizinindeki kaynaklara ihtiyacınız olacak.
mlkit-android-master deposundaki vision alt dizini iki dizin içerir:
starter: Bu codelab'de temel alacağınız başlangıç kodu.- final: Tamamlanmış örnek uygulamanın kodu.
3. ML Kit'in bağımlılıklarını kontrol etme
ML Kit'in bağımlılıklarını doğrulama
Aşağıdaki satırlar, projenizin app dizinindeki build.gradle dosyasının sonuna eklenmiş olmalıdır (onaylamak için kontrol edin):
build.gradle
dependencies {
// Face features
implementation 'com.google.mlkit:face-detection:16.0.0'
// Text features
implementation 'com.google.android.gms:play-services-mlkit-text-recognition:16.0.0'
}
Bu kod laboratuvarındaki özellikleri uygulamak için gereken belirli ML Kit bağımlılıkları şunlardır:
4. Başlangıç uygulamasını çalıştırma
Projeyi Android Studio'ya aktarıp ML Kit'in bağımlılıklarını kontrol ettiğinize göre artık uygulamayı ilk kez çalıştırmaya hazırsınız. Android Studio emülatörünü başlatın ve Android Studio araç çubuğunda Run'ı ( 
) tıklayın.
Uygulama, emülatörünüzde başlatılmalıdır. Bu noktada, 3 resim arasından seçim yapmanıza olanak tanıyan bir açılır alan içeren temel bir düzen görmeniz gerekir. Sonraki bölümde, resimlerdeki metinleri tanımlamak için uygulamanıza metin tanıma özelliği ekleyeceksiniz.
5. Cihaz üzerinde metin tanıma ekleme
Bu adımda, resimlerdeki metinleri tanıma işlevini uygulamanıza ekleyeceğiz.
Görüntü üzerinde cihaz üzerinde metin tanıma özelliğini ayarlama ve çalıştırma
MainActivity sınıfının runTextRecognition yöntemine aşağıdakileri ekleyin:
MainActivity.java
private void runTextRecognition() {
InputImage image = InputImage.fromBitmap(mSelectedImage, 0);
TextRecognizer recognizer = TextRecognition.getClient();
mTextButton.setEnabled(false);
recognizer.process(image)
.addOnSuccessListener(
new OnSuccessListener<Text>() {
@Override
public void onSuccess(Text texts) {
mTextButton.setEnabled(true);
processTextRecognitionResult(texts);
}
})
.addOnFailureListener(
new OnFailureListener() {
@Override
public void onFailure(@NonNull Exception e) {
// Task failed with an exception
mTextButton.setEnabled(true);
e.printStackTrace();
}
});
}
Yukarıdaki kod, metin tanıma dedektörünü yapılandırır ve yanıtla birlikte processTextRecognitionResult işlevini çağırır.
Metin tanıma yanıtını işleme
Sonuçları ayrıştırmak ve uygulamanızda göstermek için processTextRecognitionResult sınıfındaki MainActivity öğesine aşağıdaki kodu ekleyin.
MainActivity.java
private void processTextRecognitionResult(Text texts) {
List<Text.TextBlock> blocks = texts.getTextBlocks();
if (blocks.size() == 0) {
showToast("No text found");
return;
}
mGraphicOverlay.clear();
for (int i = 0; i < blocks.size(); i++) {
List<Text.Line> lines = blocks.get(i).getLines();
for (int j = 0; j < lines.size(); j++) {
List<Text.Element> elements = lines.get(j).getElements();
for (int k = 0; k < elements.size(); k++) {
Graphic textGraphic = new TextGraphic(mGraphicOverlay, elements.get(k));
mGraphicOverlay.add(textGraphic);
}
}
}
}
Uygulamayı emülatörde çalıştırma
Şimdi Android Studio araç çubuğunda Run'ı ( ) tıklayın. Uygulama yüklendikten sonra açılır listede Test Image 1(Text) seçeneğinin belirlendiğinden emin olun ve FIND TEXT düğmesini tıklayın.
Uygulamanız artık aşağıdaki resimdeki gibi görünmeli, metin tanıma sonuçlarını ve sınırlayıcı kutuları orijinal resmin üzerinde göstermelidir.
Fotoğraf: Kai Schreiber / Wikimedia Commons / CC BY-SA 2.0
Tebrikler, ML Kit'i kullanarak uygulamanıza cihaz üzerinde metin tanıma özelliğini eklediniz. Cihaz üzerinde metin tanıma, uygulamanız internete bağlı olmasa bile çalıştığı ve hem hareketsiz görüntülerde hem de canlı video karelerinde kullanılabilecek kadar hızlı olduğu için birçok kullanım alanı için idealdir.
6. Cihaz üzerinde yüz konturu algılama özelliği eklendi
Bu adımda, uygulamanıza resimlerdeki yüzlerin hatlarını tanıma işlevi ekleyeceğiz.
Görüntüde cihaz üzerinde yüz konturu algılamayı ayarlama ve çalıştırma
MainActivity sınıfının runFaceContourDetection yöntemine aşağıdakileri ekleyin:
MainActivity.java
private void runFaceContourDetection() {
InputImage image = InputImage.fromBitmap(mSelectedImage, 0);
FaceDetectorOptions options =
new FaceDetectorOptions.Builder()
.setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_FAST)
.setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL)
.build();
mFaceButton.setEnabled(false);
FaceDetector detector = FaceDetection.getClient(options);
detector.process(image)
.addOnSuccessListener(
new OnSuccessListener<List<Face>>() {
@Override
public void onSuccess(List<Face> faces) {
mFaceButton.setEnabled(true);
processFaceContourDetectionResult(faces);
}
})
.addOnFailureListener(
new OnFailureListener() {
@Override
public void onFailure(@NonNull Exception e) {
// Task failed with an exception
mFaceButton.setEnabled(true);
e.printStackTrace();
}
});
}
Yukarıdaki kod, yüz konturu algılayıcıyı yapılandırır ve yanıtta processFaceContourDetectionResult işlevini çağırır.
Yüz konturu algılama yanıtını işleme
Sonuçları ayrıştırmak ve uygulamanızda göstermek için processFaceContourDetectionResult sınıfındaki MainActivity öğesine aşağıdaki kodu ekleyin.
MainActivity.java
private void processFaceContourDetectionResult(List<Face> faces) {
// Task completed successfully
if (faces.size() == 0) {
showToast("No face found");
return;
}
mGraphicOverlay.clear();
for (int i = 0; i < faces.size(); ++i) {
Face face = faces.get(i);
FaceContourGraphic faceGraphic = new FaceContourGraphic(mGraphicOverlay);
mGraphicOverlay.add(faceGraphic);
faceGraphic.updateFace(face);
}
}
Uygulamayı emülatörde çalıştırma
Şimdi Android Studio araç çubuğunda Run'ı ( ) tıklayın. Uygulama yüklendikten sonra açılır listede Test Image 2 (Face) seçeneğinin belirlendiğinden emin olun ve FIND FACE CONTOUR düğmesini tıklayın.
Uygulamanız artık aşağıdaki resimdeki gibi görünmeli, yüz konturu algılama sonuçlarını göstermeli ve yüzün konturlarını orijinal resmin üzerine yerleştirilmiş noktalar olarak göstermelidir.
Tebrikler, ML Kit'i kullanarak uygulamanıza cihaz üzerinde yüz konturu algılama özelliğini eklediniz. Cihaz üzerinde yüz konturu algılama, uygulamanızın internet bağlantısı olmasa bile çalıştığı ve hem hareketsiz görüntülerde hem de canlı video karelerinde kullanılabilecek kadar hızlı olduğu için birçok kullanım alanı için idealdir.
7. Tebrikler!
Uygulamanıza kolayca gelişmiş makine öğrenimi özellikleri eklemek için ML Kit'i başarıyla kullandınız.
İşlediğimiz konular
- Android uygulamanıza ML Kit'i ekleme
- Resimlerdeki metinleri bulmak için ML Kit'te cihaz üzerinde metin tanıma nasıl kullanılır?
- Görüntülerdeki yüz özelliklerini belirlemek için ML Kit'te cihaz üzerinde yüz konturu özelliğini kullanma
Sonraki Adımlar
- ML Kit'i kendi Android uygulamanızda kullanın.