1. 시작하기 전에
휴대전화 카메라로 물건을 가리켜 온라인에서 구매할 수 있는 위치를 찾을 수 있는 Google 렌즈 데모를 보셨나요? 앱에 동일한 기능을 추가하는 방법을 알아보려면 이 Codelab을 확인하세요. 이 개발자 과정은 모바일 앱에 제품 이미지 검색 기능을 빌드하는 방법을 알려주는 학습 개발자 과정의 일부입니다.
이 Codelab에서는 제품 이미지 검색 기능을 빌드하는 첫 번째 단계인 이미지에서 객체를 감지하고 사용자가 검색할 객체를 선택하도록 하는 방법을 알아봅니다. 이 기능을 빌드하려면 ML Kit 객체 감지 및 추적을 사용합니다.
학습 과정에서 Vision API 제품 검색으로 제품 검색 백엔드를 빌드하는 방법을 비롯한 나머지 단계를 알아볼 수 있습니다.
빌드할 항목
|
|
학습할 내용
- ML Kit SDK를 Android 애플리케이션에 통합하는 방법
- ML Kit 객체 감지 및 추적 API
필요한 항목
- Android 스튜디오의 최신 버전 (v4.1.2 이상)
- Android 스튜디오 에뮬레이터 또는 실제 Android 기기
- 샘플 코드
- Kotlin 기반 Android 개발에 관한 기본 지식
이 Codelab에서는 ML Kit에 중점을 둡니다. 다른 개념과 코드 블록은 다루지 않으며 복사하여 붙여넣을 수 있도록 제공됩니다.
2. 설정
코드 다운로드
다음 링크를 클릭하면 이 Codelab의 모든 코드를 다운로드할 수 있습니다.
다운로드한 ZIP 파일의 압축을 해제합니다. 그러면 필요한 모든 리소스가 포함된 루트 폴더 (odml-pathways-main)가 압축 해제됩니다. 이 Codelab에서는 product-search/codelab1/android 하위 디렉터리의 소스만 있으면 됩니다.
mlkit-android 저장소의 object-detection 하위 디렉터리에는 다음 두 디렉터리가 포함됩니다.
starter: 이 Codelab에서 빌드할 시작 코드입니다.- final: 완료된 샘플 앱의 완성된 코드입니다.
3. 프로젝트에 ML Kit 객체 감지 및 추적 API 추가
Android 스튜디오로 앱 가져오기
먼저 starter 앱을 Android 스튜디오로 가져옵니다.
Android 스튜디오로 이동하여 Import Project(프로젝트 가져오기)(Gradle, Eclipse ADT 등)를 선택하고 이전에 다운로드한 소스 코드에서 starter 폴더를 선택합니다.
ML Kit 객체 감지 및 추적의 종속 항목 추가
ML Kit 종속 항목을 사용하면 앱에 ML Kit ODT SDK를 통합할 수 있습니다.
프로젝트의 app/build.gradle 파일로 이동하여 종속 항목이 이미 있는지 확인합니다.
build.gradle
dependencies {
// ...
implementation 'com.google.mlkit:object-detection:16.2.4'
}
프로젝트를 Gradle 파일과 동기화
앱에서 모든 종속 항목을 사용할 수 있도록 하려면 이 시점에서 프로젝트를 Gradle 파일과 동기화해야 합니다.
Android 스튜디오 툴바에서 Sync Project with Gradle Files(Gradle 파일과 프로젝트 동기화)( 
)를 선택합니다.
(이 버튼이 사용 중지된 경우 전체 저장소가 아닌 starter/app/build.gradle만 가져오세요.)
4. 시작 앱 실행
이제 프로젝트를 Android 스튜디오로 가져오고 ML Kit 객체 감지 및 추적의 종속 항목을 추가했으므로 앱을 처음으로 실행할 수 있습니다.
USB를 통해 Android 기기를 호스트에 연결하거나 Android 스튜디오 에뮬레이터를 시작하고 Android 스튜디오 툴바에서 Run ( 
)을 클릭합니다.
앱 실행 및 탐색
Android 기기에서 앱이 실행됩니다. 이 파일에는 사진을 캡처하거나 사전 설정된 이미지를 선택하고 이 Codelab에서 빌드할 객체 감지 및 추적 파이프라인에 전달할 수 있는 상용구 코드가 포함되어 있습니다. 코드를 작성하기 전에 앱을 살펴봅니다.
먼저 하단에 있는 버튼 ( 
)을 클릭하여
- 기기/에뮬레이터에 통합된 카메라 앱 실행
- 카메라 앱에서 사진을 찍습니다.
- 시작 앱에서 캡처된 이미지를 수신합니다.
- 이미지 표시
'Take photo' 버튼을 사용해 보세요. 메시지에 따라 사진을 찍고 사진을 수락한 다음 시작 앱에 표시되는지 확인합니다.
두 번째로, 3가지 사전 설정된 이미지 중에서 선택할 수 있습니다. Android 에뮬레이터에서 실행하는 경우 나중에 이러한 이미지를 사용하여 객체 감지 코드를 테스트할 수 있습니다.
- 사전 설정된 3가지 이미지 중 하나를 선택합니다.
- 이미지가 더 큰 뷰에 표시되는 것을 확인합니다.
5. 기기 내 객체 감지 추가
이 단계에서는 이미지에서 객체를 감지하는 기능을 시작 앱에 추가합니다. 이전 단계에서 보았듯이 시작 앱에는 기기의 카메라 앱으로 사진을 찍는 상용구 코드가 포함되어 있습니다. Android 에뮬레이터에서 Codelab을 실행하는 경우 앱에 객체 감지를 시도할 수 있는 사전 설정된 이미지 3개도 있습니다.
사전 설정된 이미지에서 이미지를 선택하거나 카메라 앱으로 사진을 찍으면 템플릿 코드가 해당 이미지를 Bitmap 인스턴스로 디코딩하고 화면에 표시한 후 이미지를 사용하여 runObjectDetection 메서드를 호출합니다.
이 단계에서는 runObjectDetection 메서드에 코드를 추가하여 객체 감지를 실행합니다.
이미지에 기기 내 객체 감지 설정 및 실행
ML Kit ODT를 설정하는 방법은 3가지 API를 사용하는 간단한 3단계뿐입니다.
- 이미지 준비:
InputImage - 감지기 객체
ObjectDetection.getClient(options)만들기 - 위의 두 객체를 연결합니다.
process(image)
MainActivity.kt 파일의 **runObjectDetection(bitmap: Bitmap)**함수 내에서 이를 실행합니다.
/**
* ML Kit Object Detection Function
*/
private fun runObjectDetection(bitmap: Bitmap) {
}
현재 함수는 비어 있습니다. 다음 단계로 이동하여 ML Kit ODT를 통합하세요. 이 과정에서 Android 스튜디오에서 필요한 가져오기를 추가하라는 메시지를 표시합니다.
com.google.mlkit.vision.common.InputImagecom.google.mlkit.vision.objects.ObjectDetectioncom.google.mlkit.vision.objects.defaults.ObjectDetectorOptions
1단계: InputImage 만들기
ML Kit는 Bitmap에서 InputImage를 만드는 간단한 API를 제공합니다. 그런 다음 InputImage를 ML Kit API에 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 따르므로 구성을 빌더에 전달한 다음 빌더에서 감지기를 가져옵니다. 구성할 수 있는 옵션은 3가지가 있습니다 (굵은 글꼴로 표시된 옵션은 Codelab에서 사용됨).
- 감지기 모드 (단일 이미지 또는 스트림)
- 감지 모드 (단일 또는 복수 객체 감지)
- 분류 모드 (사용 또는 사용 중지)
이 Codelab에서는 단일 이미지 - 여러 객체 감지 및 분류를 다룹니다. 다음 단계를 따르세요.
// 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 제공하기
객체 감지 및 분류는 비동기 처리입니다.
process()를 통해 이미지를 감지기에 전송합니다.- 감지기가 열심히 작동합니다.
- 감지기가 콜백을 통해 결과를 다시 보고합니다.
다음 코드는 fun runObjectDetection(bitmap:Bitmap)): 내의 기존 코드에 복사 및 추가합니다.
// 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 수
- 감지된 각 객체는
trackingId: 프레임 간 추적에 사용하는 정수입니다 (이 Codelab에서는 사용되지 않음).boundingBox: 객체의 경계 상자labels:감지된 객체의 라벨 목록(분류가 사용 설정된 경우에만 해당)index(이 라벨의 색인을 가져옵니다.)text('패션 상품', '식품', '홈 상품', '장소', '식물'을 포함한 이 라벨의 텍스트 가져오기)confidence(0.0~1.0 사이의 부동 소수점 수, 1.0은 100%를 의미함)
코드가 감지된 결과를 debugPrint()를 사용하여 Logcat에 출력하는 것을 확인했을 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 수락할 준비가 되었습니다.
Android 스튜디오 툴바에서 Run ( )을 클릭하여 Codelab을 실행합니다. 사전 설정된 이미지를 선택하거나 사진을 찍은 다음 IDE 내의 logcat 창( 
)을 확인합니다. 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: 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
즉, 감지기는 다음과 같은 3개의 객체를 감지했습니다.
- 카테고리는 패션 제품 및 가정용품입니다.
- 알 수 없는 클래스이므로 두 번째에 대해 반환된 카테고리가 없습니다.
trackingId없음 (단일 이미지 감지 모드이므로)boundingBox직사각형 내 위치 (예: (481, 2021) – (2426, 3376))- 감지기는 첫 번째가 패션 상품 (90%)이라고 확신합니다(드레스임).
기술적으로 ML Kit 객체 감지를 사용하려면 이 정도면 충분합니다. 이제 모든 준비가 완료되었습니다. 축하합니다.
예, UI 측면에서는 아직 시작 단계에 있지만 UI에서 감지된 결과를 활용하여 경계 상자를 그려 더 나은 환경을 만들 수 있습니다. 다음 단계는 감지된 결과를 시각화하는 것입니다.
6. 감지 결과 후처리
이전 단계에서는 감지된 결과를 간단하고 빠르게 logcat에 출력했습니다.
이 섹션에서는 이미지의 결과를 사용합니다.
- 이미지에 경계 상자 그리기
- 경계 상자 내에 카테고리 이름과 신뢰도 표시
시각화 유틸리티 이해하기
감지 결과를 시각화하는 데 도움이 되는 상용구 코드가 Codelab 내에 있습니다. 다음 유틸리티를 활용하여 시각화 코드를 간단하게 만드세요.
class ImageClickableView감지 결과를 시각화하고 상호작용하는 데 유용한 유틸리티를 제공하는 이미지 뷰 클래스입니다.fun drawDetectionResults(results: List<DetectedObject>)이 메서드는 감지된 각 객체의 중앙에 흰색 원을 그립니다.fun setOnObjectClickListener(listener: ((objectImage: Bitmap) -> Unit))사용자가 탭한 객체만 포함된 잘린 이미지를 수신하는 콜백입니다. 이후 Codelab에서는 이 잘린 이미지를 이미지 검색 백엔드로 전송하여 시각적으로 유사한 결과를 얻습니다. 이 Codelab에서는 아직 이 메서드를 사용하지 않습니다.
ML Kit 감지 결과 표시
시각화 유틸리티를 사용하여 입력 이미지 위에 ML Kit 객체 감지 결과를 표시합니다.
debugPrint()를 호출하는 위치로 이동하여 그 아래에 다음 코드 스니펫을 추가합니다.
runOnUiThread {
viewBinding.ivPreview.drawDetectionResults(it)
}
실행하기
이제 Android 스튜디오 툴바에서 Run ( )을 클릭합니다.
앱이 로드되면 카메라 아이콘이 있는 버튼을 누르고 카메라를 물체에 가져가 사진을 찍은 후 카메라 앱에서 사진을 수락하거나 사전 설정된 이미지를 쉽게 탭할 수 있습니다. 감지 결과가 표시됩니다. 버튼을 다시 누르거나 다른 이미지를 선택하여 몇 번 반복하고 최신 ML Kit ODT를 사용해 보세요.
7. 축하합니다.
ML Kit를 사용하여 앱에 객체 감지 기능을 추가했습니다.
- 3가지 API를 사용한 3단계
- 입력 이미지 만들기
- 검사 프로그램 만들기
- 감지기에 이미지 전송
이제 앱을 실행할 준비가 되었습니다.
학습한 내용
- Android 앱에 ML Kit 객체 감지 및 추적을 추가하는 방법
- ML Kit에서 기기 내 객체 감지 및 추적을 사용하여 이미지에서 객체를 감지하는 방법
다음 단계
- 감지된 객체를 제품 검색 백엔드로 전송하고 검색 결과를 표시하는 방법에 관한 Codelab을 사용해 보세요.
- 더 많은 이미지와 라이브 동영상을 사용하여 ML Kit ODT를 자세히 살펴보고 감지 및 분류 정확성과 성능을 경험하세요.
- 객체 감지로 더 나아가기 학습 개발자 과정을 확인하여 맞춤 모델을 학습하는 방법을 알아보세요.
- 객체 감지 live-camera 및 static-image에 관한 Material Design 권장사항을 읽어보세요.
- 자체 Android 앱에 ML Kit ODT 적용