ML Kit를 사용하여 이미지에서 객체 감지: Android

1. 시작하기 전에

ML Kit는 Android 및 iOS 앱에 Google의 온디바이스 머신러닝 전문 지식을 제공하는 모바일 SDK입니다. 강력하면서도 간단한 Vision 및 Natural Language API를 사용하여 앱의 일반적인 문제를 해결하거나 완전히 새로운 사용자 환경을 만들 수 있습니다. 모두 Google의 동급 최고 ML 모델을 기반으로 하며 무료로 제공됩니다.

ML Kit의 API는 모두 온디바이스에서 실행되므로 라이브 카메라 스트림을 처리하려는 등의 실시간 사용 사례를 지원할 수 있습니다. 이는 해당 기능을 오프라인에서도 사용할 수 있음을 의미합니다.

이 Codelab에서는 주어진 이미지의 객체 감지 및 추적 (ODT)을 기존 Android 앱에 추가하는 간단한 단계를 안내합니다. 이 Codelab에서는 ML Kit ODT 사용을 강조 표시하는 몇 가지 단축키를 사용합니다.

빌드할 항목

이 Codelab에서는 ML Kit를 사용하여 Android 앱을 빌드합니다. 앱은 ML Kit Object Detection and Tracking API를 사용하여 지정된 이미지에서 객체를 감지합니다.최종적으로 오른쪽 이미지와 비슷한 것을 볼 수 있습니다.

학습할 내용

  • ML Kit SDK를 Android 애플리케이션에 통합하는 방법
  • ML Kit 객체 감지 및 추적 API

필요한 항목

  • Android 스튜디오 최신 버전 (v4.1.2 이상)
  • Android 스튜디오 에뮬레이터 또는 실제 Android 기기
  • 샘플 코드
  • Kotlin을 이용한 Android 개발에 관한 기본 지식

이 Codelab에서는 ML Kit에 중점을 둡니다. 따라서 이와 관련 없는 개념과 코드 블록은 그냥 넘어가겠습니다. 단, 필요할 때 복사해서 붙여넣을 수 있도록 다른 설명 없이 제공만 해드리겠습니다.

2. 설정

코드 다운로드

다음 링크를 클릭하면 이 Codelab의 모든 코드를 다운로드할 수 있습니다.

다운로드한 ZIP 파일의 압축을 해제합니다. 이렇게 하면 필요한 모든 리소스가 포함된 루트 폴더 (mlkit-android-main)의 압축이 해제됩니다. 이 Codelab에서는 object-detection 하위 디렉터리에 있는 소스만 있으면 됩니다.

mlkit-android 저장소의 객체 감지 하위 디렉터리에는 다음과 같은 두 개의 디렉터리가 있습니다.

  • android_studio_folder.pngstarter: 이 Codelab의 기반이 되는 코드를 시작합니다.
  • android_studio_folder.png최종: 완성된 샘플 앱의 완성된 코드입니다.

3. 프로젝트에 ML Kit 객체 감지 및 추적 API 추가

Android 스튜디오로 앱 가져오기

먼저 시작 앱을 Android 스튜디오로 가져옵니다.

Android 스튜디오를 열고 Import Project (Gradle, Eclipse ADT, etc.)를 선택한 다음 이전에 다운로드한 소스 코드에서 starter 폴더를 선택합니다.

7c0f27882a2698ac.png

ML Kit 객체 감지 및 추적을 위한 종속 항목 추가

ML Kit 종속 항목을 사용하면 ML Kit ODT SDK를 앱에 통합할 수 있습니다. 프로젝트의 app/build.gradle 파일 끝에 다음 줄을 추가합니다.

build.gradle

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

프로젝트를 Gradle 파일로 동기화

앱에서 모든 종속 항목을 사용할 수 있도록 하려면 이 시점에서 프로젝트를 Gradle 파일과 동기화해야 합니다.

Android 스튜디오 툴바에서 Sync Project with Gradle Files ( b451ab2d04d835f9.png)를 선택합니다.

(이 버튼이 사용 중지된 경우 전체 저장소가 아닌 starter/app/build.gradle 만 가져와야 합니다.)

4. 시작 앱 실행

이제 프로젝트를 Android 스튜디오로 가져오고 ML Kit 객체 감지 및 추적을 위한 종속 항목을 추가했으므로 앱을 처음으로 실행할 수 있습니다.

USB를 통해 Android 기기를 호스트에 연결하거나 Android 스튜디오 에뮬레이터를 시작하고 Android 스튜디오 툴바에서 Run ( execute.png)을 클릭합니다.

앱 실행 및 탐색

Android 기기에서 앱이 실행됩니다. 여기에는 사진을 캡처하거나 미리 설정된 이미지를 선택하여 이 Codelab에서 빌드할 객체 감지 및 추적 파이프라인에 피드할 수 있는 상용구 코드가 있습니다. 코드를 작성하기 전에 앱을 잠시 살펴보겠습니다.

첫째, 하단에 다음과 같은 버튼 ( c6d965d639c3646.png)이 있습니다.

  • 기기/에뮬레이터에 통합된 카메라 앱 불러오기
  • 카메라 앱에서 사진 촬영
  • 시작 앱에서 캡처된 이미지 수신
  • 이미지 표시

사진 촬영 버튼을 사용해 보고 안내에 따라 사진을 촬영하고 사진을 수락한 다음 시작 앱에 표시된 사진을 확인합니다.

어떻게 작동하는지 몇 번 반복합니다.

9ec541980dbe2d31.png 8312dde41425ba4b.png fa8492bfc1914ff0.png

둘째, 사전 설정된 이미지 3가지 중에서 선택할 수 있습니다. 나중에 Android Emulator에서 실행 중인 경우 이러한 이미지를 사용하여 객체 감지 코드를 테스트할 수 있습니다.

미리 설정된 이미지 3개 중에서 이미지를 선택합니다. 이미지가 더 크게 표시됩니다.

1dd41b3ec978f1d9.png

5. 온디바이스 객체 감지 추가

이 단계에서는 이미지에서 객체를 감지하는 기능을 시작 앱에 추가합니다. 이전 단계에서 확인한 것처럼 시작 앱에는 기기의 카메라 앱으로 사진을 찍기 위한 상용구 코드가 포함되어 있습니다. Android Emulator에서 Codelab을 실행하는 경우 객체 감지를 사용해 볼 수 있는 미리 설정된 이미지도 앱에 3가지 있습니다.

미리 설정된 이미지에서 또는 카메라 앱으로 사진을 찍는 이미지를 선택하면 상용구 코드가 해당 이미지를 Bitmap 인스턴스로 디코딩하여 화면에 표시하고 이미지와 함께 runObjectDetection 메서드를 호출합니다.

이 단계에서는 runObjectDetection 메서드에 코드를 추가하여 객체 감지를 실행합니다.

이미지에서 기기 내 객체 감지 설정 및 실행

3가지 API로 이루어진 간단한 3단계만 거치면 ML Kit ODT를 설정할 수 있습니다.

  • 이미지 준비: InputImage
  • 감지기 객체 만들기: ObjectDetection.getClient(options)
  • 위의 두 객체 process(image)를 연결합니다.

MainActivity.kt 파일의 runObjectDetection(bitmap: Bitmap) 함수 내에서 이를 실행합니다.

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

지금은 함수가 비어 있습니다. 다음 단계로 이동하여 ML Kit ODT를 구현하세요. 이 과정에서 Android 스튜디오는 필요한 가져오기를 추가하라는 메시지를 표시합니다.

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

1단계: InputImage 만들기

ML Kit는 Bitmap에서 InputImage를 만드는 간단한 API를 제공합니다. 그러면 ML Kit API에 InputImage를 제공할 수 있습니다.

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

위의 코드를 runObjectDetection(bitmap:Bitmap) 상단에 추가합니다.

2단계: 감지기 인스턴스 만들기

ML Kit는 빌더 디자인 패턴을 따릅니다. 구성을 빌더에 전달한 후 빌더에서 감지기를 가져옵니다. 다음과 같은 세 가지 옵션을 구성할 수 있습니다 (이 Codelab에서는 굵게 표시된 옵션을 사용함).

  • 검사 프로그램 모드 (단일 이미지 또는 스트림)
  • 감지 모드 (단일 또는 다중 객체 감지)
  • 분류 모드 (사용 또는 사용 중지)

이 Codelab은 단일 이미지 - 다중 객체 감지 및 있습니다. 지금 추가합니다.

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

3단계: 감지기에 이미지 제공

객체 감지 및 분류는 비동기 처리입니다.

  • process()를 통해 이미지를 감지기에 전송합니다.
  • 감지기가 아주 열심히 일합니다.
  • 감지기가 콜백을 통해 결과를 다시 보고합니다.

다음 코드가 작업을 수행합니다 (복사하여 fun runObjectDetection(bitmap:Bitmap)): 내부의 기존 코드에 추가).

// 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())
   }

완료되면 감지기가 다음과 같이 알려줍니다.

  • 감지된 총 객체 수입니다. 감지된 각 객체는 다음으로 설명됩니다.
  • trackingId: 프레임 간을 추적하는 데 사용하는 정수입니다 (이 Codelab에서는 사용되지 않음).
  • boundingBox: 객체의 경계 상자입니다.
  • labels:: 감지된 객체의 라벨 목록입니다(분류가 사용 설정된 경우에만).
  • index (이 라벨의 색인 가져오기)
  • text('패션 용품', '음식', '가정용품', '장소', '식물' 등 이 라벨의 텍스트 가져오기)
  • confidence ( 0.0과 1.0 사이의 부동 소수점 수, 1.0은 100%를 의미함)

이 코드가 debugPrint()로 감지된 결과를 출력하는 것과 같은 작업을 수행하는 것을 알아차렸을 것입니다.

MainActivity 클래스에 추가합니다.

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}")
       }
   }
}

이제 감지를 위해 이미지를 허용할 준비가 되었습니다.

Android 스튜디오 툴바에서 Run ( execute.png)을 클릭하여 Codelab을 실행해 보겠습니다. 미리 설정된 이미지를 선택하거나 사진을 찍은 다음 IDE 내에서 logcat 창( 16bd6ea224cf8cf1.png)을 확인하세요.

다음과 비슷한 모습이어야 합니다.

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

이는 감지기가 다음과 같은 3개의 객체를 확인했음을 의미합니다.

  • 카테고리는 음식과 홈 굿입니다.
  • 알 수 없는 클래스이므로 두 번째 수업에서 반환된 카테고리가 없습니다.
  • trackingId 없음 (단일 이미지 감지 모드이므로)
  • boundingBox 직사각형 내부 위치 (예: (481, 2021) – (2426, 3376))
  • 감지기가 첫 번째 항목이 음식이라고 확신합니다 (신뢰도 90%, 샐러드).

엄밀히 말하자면 ML Kit 객체 감지가 작동하는 데 필요한 것은 이것뿐입니다. 지금은 모든 것을 완료했습니다. 축하합니다!

UI 측면에서는 시작했을 때 여전히 단계에 있지만 경계 상자 그리기와 같이 UI에서 감지된 결과를 활용하여 더 나은 환경을 만들 수 있습니다. 다음 단계인 감지된 결과를 후처리합니다.

6. 감지 결과 후처리

이전 단계에서는 감지된 결과를 logcat에 간단하고 빠르게 출력했습니다.

이 섹션에서는 결과를 이미지에 활용합니다.

  • 이미지에 경계 상자 그리기
  • 경계 상자 안에 카테고리 이름과 신뢰도를 그립니다.

시각화 유틸리티 이해

Codelab에는 감지 결과를 시각화하는 데 도움이 되는 상용구 코드가 있습니다. 다음 유틸리티를 활용하여 시각화 코드를 간단하게 만드세요.

  • data class BoxWithText(val box: Rect, val text: String) 시각화를 위해 객체 감지 결과를 저장하는 데이터 클래스입니다. box은 객체가 위치하는 경계 상자이고 text는 객체의 경계 상자와 함께 표시할 감지 결과 문자열입니다.
  • fun drawDetectionResult(bitmap: Bitmap, detectionResults: List<BoxWithText>): Bitmap 이 메서드는 입력 bitmap에 detectionResults의 객체 인식 결과를 그리고 수정된 사본을 반환합니다.

다음은 drawDetectionResult 유틸리티 메서드의 출력 예입니다.

58c6f1d4ddb00DFA.png

ML Kit 감지 결과 시각화

시각화 유틸리티를 사용하여 입력 이미지 위에 ML Kit 객체 감지 결과를 그립니다.

debugPrint()를 호출하는 위치로 이동하여 그 아래에 다음 코드 스니펫을 추가합니다.

// 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)
}
  • 먼저 ML Kit의 DetectedObject를 파싱하고 BoxWithText 객체 목록을 만들어 시각화 결과를 표시합니다.
  • 그런 다음 drawDetectionResult 유틸리티 메서드를 사용하여 입력 이미지 위에 감지 결과를 그리고 화면에 표시합니다.

실행하기

이제 Android 스튜디오 툴바에서 Run ( execute.png)을 클릭합니다.

앱이 로드되면 카메라 아이콘이 있는 버튼을 누르고 카메라로 대상을 가리키고 사진을 찍고 카메라 앱에서 사진을 수락합니다. 또는 사전 설정된 이미지를 손쉽게 탭해도 됩니다. 감지 결과가 표시됩니다. 버튼을 다시 누르거나 다른 이미지를 선택하여 여러 번 반복하여 최신 ML Kit ODT를 경험해 보세요.

a03109cb30d5014d.png

7. 축하합니다.

ML Kit를 사용하여 앱에 객체 감지 기능을 추가했습니다.

  • 3단계 API 3개
  • 입력 이미지 만들기
  • 감지기 만들기
  • 감지기로 이미지 전송

이제 설정만 하면 사용할 수 있습니다.

계속 진행하면서 모델을 개선할 수도 있습니다. 보시다시피 기본 모델은 5개의 카테고리만 인식할 수 있습니다. 모델은 칼, 포크, 병도 인식하지 못합니다. 커스텀 모델을 학습시키는 방법을 알아보려면 기기 내 머신러닝 - 객체 감지 학습 과정의 다른 Codelab을 확인하세요.

학습한 내용

  • Android 앱에 ML Kit 객체 감지 및 추적을 추가하는 방법
  • ML Kit의 기기 내 객체 감지 및 추적을 사용하여 이미지 속 객체를 감지하는 방법

다음 단계

  • 더 많은 이미지와 라이브 동영상이 포함된 ML Kit ODT로 더 자세히 탐색하여 감지와 분류 정확성과 성능
  • 커스텀 모델을 학습시키는 방법을 알아보려면 기기 내 머신러닝 - 객체 감지 학습 과정을 확인하세요.
  • 자체 Android 앱에 ML Kit ODT 적용

자세히 알아보기