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 memecahkan tantangan umum di aplikasi Anda atau menciptakan pengalaman pengguna yang benar-benar baru. Semua fitur ini 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 saat Anda ingin memproses streaming kamera live, misalnya. Artinya, fungsi ini juga 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 sudah ada. Perhatikan bahwa codelab ini mengambil beberapa jalan pintas 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 Anda
ML Kit Object Detection and Tracking API

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 object-detection di repositori mlkit-android berisi dua direktori:

starter—Kode awal yang Anda buat untuk codelab ini.
final—Kode lengkap untuk aplikasi contoh yang sudah 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.

Tambahkan dependensi untuk Deteksi dan Pelacakan Objek ML Kit

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

build.gradle

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

Sinkronkan project Anda dengan file gradle

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

Pilih Sync Project with Gradle Files ( ) 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 ( ) di toolbar Android Studio.

Menjalankan dan menjelajahi aplikasi

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

Pertama, ada Button ( ) di bagian bawah untuk:

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

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

Ulangi beberapa kali untuk melihat cara kerjanya:

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

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

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 coba untuk deteksi objek jika menjalankan codelab di emulator Android.

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

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
buat 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, fungsi kosong. Lanjutkan ke langkah-langkah berikut untuk menerapkan ODT ML Kit. Selama proses ini, Android Studio akan meminta Anda 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 detektor

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

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

Codelab ini ditujukan untuk deteksi & klasifikasi beberapa objek dalam satu gambar. 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: Berikan gambar ke detektor

Deteksi dan klasifikasi objek adalah pemrosesan asinkron:

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

Kode berikut melakukan hal itu (menyalin dan menambahkan 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 di seluruh 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 "Produk Fashion", "Makanan", "Produk Rumah", "Tempat", "Tanaman")
confidence ( float antara 0,0 hingga 1,0 dengan 1,0 berarti 100%)

Anda mungkin telah menyadari 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.

Jalankan codelab dengan mengklik Run ( ) di toolbar Android Studio. Coba pilih gambar preset, atau ambil foto, lalu lihat jendela logcat( ) 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 detektor melihat 3 objek:

Kategorinya adalah Makanan dan Perlengkapan rumah.
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 gambar pertama adalah Makanan (keyakinan 90%—itu adalah salad).

Secara teknis, hanya itu yang Anda butuhkan agar Deteksi Objek ML Kit berfungsi: Anda sudah memilikinya saat ini. Selamat!

Di sisi UI, Anda masih berada di tahap saat Anda memulai, tetapi Anda dapat memanfaatkan 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. Memproses hasil deteksi

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

Di bagian ini, Anda akan menggunakan hasil 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 kita:

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 dalam detectionResults pada bitmap input dan menampilkan salinan yang telah diubah.

Berikut adalah contoh output metode utilitas drawDetectionResult:

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 mulai 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 ( ) di toolbar Android Studio.

Setelah aplikasi dimuat, tekan Tombol dengan ikon kamera, arahkan kamera ke suatu objek, ambil foto, setujui 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 mengulanginya beberapa kali guna merasakan ODT ML Kit terbaru.

7. Selamat!

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

3 langkah dengan 3 API
Buat Gambar Input
Buat Pendeteksi
Mengirim Gambar ke Detektor

Hanya itu yang perlu Anda lakukan untuk menyiapkan dan menjalankannya.

Saat melanjutkan, Anda mungkin ingin meningkatkan kualitas model: seperti yang dapat Anda lihat bahwa model default hanya dapat mengenali 5 kategori—model bahkan tidak mengetahui 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 Machine Learning di Perangkat - Deteksi Objek untuk mempelajari cara melatih model kustom
Menerapkan ODT ML Kit di aplikasi Android Anda sendiri

Pelajari Lebih Lanjut

https://developers.google.com/ml-kit/vision/object-detection