1. Sebelum memulai
Pernahkah Anda melihat demo Google Lens, yang memungkinkan Anda mengarahkan kamera ponsel ke suatu objek dan menemukan tempat untuk membelinya secara online? Jika Anda ingin mempelajari cara menambahkan fitur yang sama ke aplikasi, codelab ini cocok untuk Anda. Bagian ini adalah bagian dari jalur pembelajaran yang mengajarkan cara membuat fitur penelusuran gambar produk ke dalam aplikasi seluler.
Dalam codelab ini, Anda akan mempelajari langkah pertama untuk membuat fitur penelusuran gambar produk: cara mendeteksi objek dalam gambar dan memungkinkan pengguna memilih objek yang ingin mereka telusuri. Anda akan menggunakan Deteksi dan Pelacakan Objek ML Kit untuk mem-build fitur ini.
Anda dapat mempelajari langkah-langkah lainnya, termasuk cara mem-build backend penelusuran produk dengan Vision API Product Search, di jalur pembelajaran.
Yang akan Anda bangun
|
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 lainnya tidak dipelajari dan disediakan agar Anda dapat dengan mudah 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 (odml-pathways-main
) dengan semua resource yang Anda butuhkan. Untuk codelab ini, Anda hanya memerlukan sumber di subdirektori product-search/codelab1/android
.
Subdirektori deteksi objek di repositori mlkit-android berisi dua direktori:
- starter—Memulai kode yang Anda buat untuk codelab ini.
- final—Kode lengkap untuk aplikasi contoh yang telah selesai.
3. Menambahkan ML Kit Object Detection and Tracking API ke project
Mengimpor aplikasi ke Android Studio
Mulai dengan mengimpor aplikasi starter ke Android Studio.
Buka Android Studio, pilih Import Project (Gradle, Eclipse ADT, dll.), lalu pilih folder starter dari kode sumber yang telah Anda download sebelumnya.
Menambahkan dependensi untuk Deteksi dan Pelacakan Objek ML Kit
Dependensi ML Kit memungkinkan Anda mengintegrasikan ML Kit ODT SDK di aplikasi.
Buka file app/build.gradle
project Anda dan pastikan dependensi sudah ada:
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 ( ) 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. 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. Pelajari aplikasi sedikit sebelum menulis kode:
Pertama, ada Tombol ( ) di bagian bawah untuk
- meluncurkan 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.
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.
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 Anda menjalankan codelab di emulator Android.
Saat Anda memilih gambar, baik dari gambar preset maupun dengan mengambil foto menggunakan 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 mencapainya di dalam fungsi **runObjectDetection(bitmap: Bitmap)
**di file MainActivity.kt
.
/**
* ML Kit Object Detection Function
*/
private fun runObjectDetection(bitmap: Bitmap) {
}
Saat ini fungsinya kosong. Lanjutkan ke langkah-langkah berikut untuk mengintegrasikan 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 detektor darinya. Ada 3 opsi yang dapat dikonfigurasi (yang dicetak tebal digunakan dalam codelab):
- mode detektor (gambar tunggal atau streaming)
- mode deteksi (deteksi objek tunggal atau beberapa)
- mode klasifikasi (aktif atau nonaktif)
Codelab ini ditujukan untuk deteksi & klasifikasi beberapa objek pada satu gambar. Mari kita lakukan:
// 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 detector (melalui
process()
) - detektor bekerja cukup keras
- 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 objeklabels:
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 mencetak hasil yang terdeteksi ke Logcat 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: Fashion good
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 dari:
- adalah Barang mode dan Barang 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
(mis. (481, 2021) – (2426, 3376)) - Detector cukup yakin bahwa gambar pertama adalah Barang fashion (90%) (itu adalah gaun)
Secara teknis, itulah semua yang Anda perlukan agar Deteksi Objek ML Kit berfungsi—Anda sudah memiliki semuanya saat ini. Selamat!
Ya, di sisi UI, Anda masih berada di tahap awal, tetapi Anda dapat memanfaatkan hasil yang terdeteksi di UI seperti menggambar kotak pembatas untuk menciptakan pengalaman yang lebih baik. Langkah berikutnya adalah memvisualisasikan hasil yang terdeteksi.
6. Pascapemrosesan hasil deteksi
Pada langkah sebelumnya, Anda telah mencetak hasil yang terdeteksi ke logcat: sederhana dan cepat.
Di bagian ini, Anda akan menggunakan hasil 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:
class ImageClickableView
Ini adalah class tampilan gambar yang menyediakan beberapa utilitas yang praktis untuk visualisasi dan interaksi dengan hasil deteksi.fun drawDetectionResults(results: List<DetectedObject>)
Metode ini menggambar lingkaran putih di tengah setiap objek yang terdeteksi.fun setOnObjectClickListener(listener: ((objectImage: Bitmap) -> Unit))
Ini adalah callback untuk menerima gambar yang dipangkas yang hanya berisi objek yang telah diketuk pengguna. Anda akan mengirim gambar yang dipangkas ini ke backend penelusuran gambar di codelab berikutnya untuk mendapatkan hasil yang mirip secara visual. Dalam codelab ini, Anda belum akan menggunakan metode ini.
Menampilkan hasil deteksi ML Kit
Gunakan utilitas visualisasi untuk menampilkan hasil deteksi objek ML Kit di atas gambar input.
Buka tempat Anda memanggil debugPrint()
dan tambahkan cuplikan kode berikut di bawahnya:
runOnUiThread {
viewBinding.ivPreview.drawDetectionResults(it)
}
Menjalankan aplikasi
Sekarang klik Run ( ) 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, dan nikmati ODT ML Kit terbaru.
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.
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
- Coba codelab ini tentang cara mengirim objek yang terdeteksi ke backend penelusuran produk dan menampilkan hasil penelusuran
- Jelajahi lebih lanjut dengan ODT ML Kit dengan lebih banyak gambar dan video live untuk merasakan akurasi dan performa deteksi & klasifikasi
- Lihat jalur pembelajaran Kenali deteksi objek lebih lanjut untuk mempelajari cara melatih model kustom
- Baca rekomendasi Desain Material untuk deteksi objek kamera live dan gambar statis
- Menerapkan ODT ML Kit di aplikasi Android Anda sendiri