Mendeteksi objek dalam gambar untuk membuat penelusuran produk visual dengan ML Kit: Android

1. Sebelum memulai

727608486a28395d.png

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

  • 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. Kemudian, pengguna akan memilih objek yang ingin mereka telusuri di database produk kami.
  • 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 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:

  • 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

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.

7c0f27882a2698ac.png

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 ( 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. Pelajari aplikasi sedikit sebelum menulis kode:

Pertama, ada Tombol ( c6d965d639c3646.png) 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.

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

1290481786af21b9.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 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

  1. Jumlah total objek yang terdeteksi
  2. 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 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 ( 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: 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 ( 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, dan nikmati ODT ML Kit terbaru.

5027148750dc0748.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.

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

Pelajari Lebih Lanjut