1. 시작하기 전에
Google 렌즈 데모를 보셨나요? 휴대전화 카메라를 사물로 가리키고 온라인으로 구매할 수 있는 위치를 확인할 수 있습니다. 앱에 동일한 기능을 추가하는 방법을 알아보려면 이 Codelab을 살펴보세요. 모바일 앱에 제품 이미지 검색 기능을 빌드하는 방법을 알려주는 학습 과정의 일부입니다.
이 Codelab에서는 제품 이미지 검색 기능을 빌드하는 첫 번째 단계인 이미지에서 객체를 감지하고 사용자가 검색하려는 객체를 선택하도록 하는 방법을 알아봅니다. ML Kit 객체 감지 및 추적을 사용하여 이 기능을 빌드합니다.
학습 과정에서 Vision API 제품 검색을 사용하여 제품 검색 백엔드를 빌드하는 방법을 비롯한 나머지 단계에 대해 알아볼 수 있습니다.
빌드할 항목
|
|
과정 내용
- ML Kit SDK를 Android 애플리케이션에 통합하는 방법
- ML Kit 객체 감지 및 추적 API
필요한 항목
- 최신 버전의 Android 스튜디오 (v4.1.2 이상)
- Android 스튜디오 에뮬레이터 또는 실제 Android 기기
- 샘플 코드
- Kotlin의 Android 개발에 관한 기본 지식
이 Codelab에서는 ML Kit에 중점을 둡니다. 다른 개념과 코드 블록은 학습되지 않으며 단순히 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 필요합니다.
mlkit-android 저장소의 객체 감지 하위 디렉터리에는 두 개의 디렉터리가 있습니다.
starter: 이 Codelab에서 빌드하는 시작 코드입니다.- 최종: 완료된 샘플 앱의 완성된 코드입니다.
3. 프로젝트에 ML Kit 객체 감지 및 추적 API 추가
Android 스튜디오에 앱 가져오기
먼저 starter 앱을 Android 스튜디오로 가져옵니다.
Android 스튜디오 (프로젝트 가져오기, Gradle, Eclipse ADT 등)를 선택하고 이전에 다운로드한 소스 코드에서 starter 폴더를 선택합니다.
ML Kit 객체 감지 및 추적 종속 항목 추가
ML Kit 종속 항목을 사용하면 ML Kit ODT SDK를 앱에 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 ( 
)를 선택합니다.
(이 버튼을 사용 중지한 경우 전체 저장소가 아닌 starter/app/build.gradle만 가져오세요.)
4. 시작 앱 실행
프로젝트를 Android 스튜디오로 가져오고 ML Kit 객체 감지 및 추적 종속 항목을 추가했으므로 이제 앱을 처음으로 실행할 수 있습니다.
USB를 통해 Android 기기를 호스트에 연결하거나 Android 스튜디오 에뮬레이터 시작을 클릭하고 Android 스튜디오 툴바에서 Run ( 
)을 클릭합니다.
앱 실행 및 탐색
Android 기기에서 앱이 실행됩니다. 사진을 캡처하거나 미리 설정된 이미지를 선택하여 이 Codelab에서 빌드할 객체 감지 및 추적 파이프라인에 제공할 수 있는 상용구 코드가 있습니다. 코드를 작성하기 전에 앱을 조금 살펴보세요.
먼저 하단에 버튼 ( 
)이 있습니다.
- 기기/에뮬레이터에 통합된 카메라 앱 실행
- 카메라 앱에서 사진 찍기
- 시작 앱에서 캡처된 이미지 수신
- 이미지 표시
'사진 찍기' 버튼을 사용해 보세요. 안내 메시지에 따라 사진을 찍고 수락한 다음 시작 앱 내에 표시되는 것을 확인합니다.
둘째, 미리 설정된 이미지 3개 중에서 선택할 수 있습니다. 나중에 Android Emulator에서 실행하는 경우 이러한 이미지를 사용하여 객체 감지 코드를 테스트할 수 있습니다.
- 미리 설정된 3개의 이미지에서 이미지를 선택합니다.
- 이미지가 크게 보이는지 확인합니다.
5 기기 객체 감지 추가
이 단계에서는 시작 앱에 기능을 추가하여 이미지에서 객체를 감지합니다. 이전 단계에서 살펴본 것처럼 시작 앱에는 기기의 카메라 앱으로 사진을 촬영하는 상용구 코드가 포함되어 있습니다. Android Emulator에서 Codelab을 실행 중인 경우 객체에 객체 감지를 사용해 볼 수 있는 미리 설정된 이미지 3개도 앱에 있습니다.
미리 설정된 이미지 또는 카메라 앱에서 사진을 촬영하여 이미지를 선택하면 상용구 코드가 해당 이미지를 다음으로 디코딩합니다.Bitmap 인스턴스를 화면에 표시하고runObjectDetection 메서드를 사용하여 실행합니다
이 단계에서는 runObjectDetection 메서드에 코드를 추가하여 객체 감지를 수행합니다.
이미지에서 기기 객체 감지 설정 및 실행
3단계 API로 3단계만으로 ML Kit ODT 설정
- 이미지 준비:
InputImage - 검사 프로그램 객체
ObjectDetection.getClient(options)를 만듭니다. - 위의 두 객체 연결:
process(image)
MainActivity.kt 파일의 **runObjectDetection(bitmap: Bitmap)**함수 내에서 이 작업을 실행합니다.
/**
* ML Kit Object Detection Function
*/
private fun runObjectDetection(bitmap: Bitmap) {
}
현재 함수는 비어 있습니다. ML Kit ODT를 통합하려면 다음 단계를 따르세요. 그 과정에서 Android 스튜디오에 필요한 가져오기를 추가하라는 메시지가 표시됩니다.
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 공급할 수 있습니다.
// Step 1: create ML Kit's InputImage object
val image = InputImage.fromBitmap(bitmap, 0)
위 코드를 runObjectDetection(bitmap:Bitmap) 상단에 추가합니다.
2단계: 검사 프로그램 인스턴스 만들기
ML Kit는 빌더 디자인 패턴을 따르며 구성을 빌더에 전달한 다음 빌더에서 검사 프로그램을 획득합니다. 다음 세 가지 옵션 중 하나를 선택하여 Codelab에서 굵게 표시된 옵션을 사용할 수 있습니다.
- 검사 프로그램 모드 (단일 이미지 또는 스트림)
- 감지 모드 (단일 또는 여러 객체 감지)
- 분류 모드 (사용 또는 사용 안함)
이 Codelab은 단일 이미지용입니다. 여러 객체 감지 및 분류를 진행해 보겠습니다.
// Step 2: acquire detector object
val options = ObjectDetectorOptions.Builder()
.setDetectorMode(ObjectDetectorOptions.SINGLE_IMAGE_MODE)
.enableMultipleObjects()
.enableClassification()
.build()
val objectDetector = ObjectDetection.getClient(options)
3단계: 검사 프로그램에 피드 이미지
객체 감지 및 분류는 비동기 처리입니다.
process()를 통해 검사 프로그램에 이미지 보내기- 감지기가 꽤 많이 작동합니다.
- 감지기가 콜백을 통해 결과를 사용자에게 보고
다음 코드는 바로 그런 것입니다. fun runObjectDetection(bitmap:Bitmap)):의 기존 코드에 복사하여 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
- 감지된 총 객체 수
- 감지된 각 객체는
trackingId: 교차 프레임 추적에 사용하는 정수입니다 (이 Codelab에서는 사용되지 않음).boundingBox: 객체의 경계 상자labels:감지된 객체의 라벨 목록(분류가 사용 설정된 경우에만)index(이 라벨의 색인 가져오기)text('패션 상품', '식품', '집 상품', '장소', '식물' 등 이 라벨의 텍스트 가져오기)confidence(1.0에서 1.0 사이의 부동 소수점 수는 100%를 의미)
코드가 debugPrint()를 사용하여 Logcat에 감지된 결과를 확인했을 가능성이 있습니다. MainActivity 클래스에 다음을 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 이미지를 감지하도록 허용할 준비가 되었습니다.
Android 스튜디오 툴바에서 Run ( )을 클릭하여 Codelab을 실행합니다. 미리 설정된 이미지를 선택하거나 사진을 찍은 다음 IDE에서 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, 검사 프로그램이 다음 3가지 객체를 확인했습니다.
- 카테고리는 패션 상품과 홈 상품입니다.
- 두 번째는 알 수 없는 클래스이므로 반환된 카테고리가 없습니다.
trackingId없음 (단일 이미지 감지 모드이므로)boundingBox직사각형 내부 위치 (예: (481, 2021) – (2426, 3376))- 첫 번째는 패션 상품(90%)이고 드레스라는 확신이 있음
ML Kit Object Detection을 작동하는 데 필요한 기술적만 있으면 이 모든 작업을 수행할 수 있습니다. 축하합니다.
즉, UI 측에서는 여전히 스테이지에서 시작했지만 더 나은 환경을 만들기 위해 경계 상자를 그리는 등 UI에서 감지된 결과를 활용할 수 있습니다. 다음 단계는 감지된 결과를 시각화하는 것입니다.
6. 감지 결과 후처리
이전 단계에서는 감지된 결과를 logcat에 간단하고 빠르게 출력했습니다.
이 섹션에서는 이미지의 결과를 사용합니다.
- 이미지에 경계 상자 그리기
- 경계 상자 내에 카테고리 이름과 자신감을 그립니다.
시각적 유틸리티 이해하기
Codelab에는 감지 결과를 시각화하는 데 도움이 되는 상용구 코드가 있습니다. 이러한 유틸리티를 활용하여 시각화 코드를 간소화하세요.
class ImageClickableView이미지 감지 클래스입니다. 이 클래스는 감지 결과와 시각화 및 상호작용을 위한 편리한 유틸리티를 제공합니다.fun drawDetectionResults(results: List<DetectedObject>)이 메서드는 감지된 각 객체의 중심에 흰색 원을 그립니다.fun setOnObjectClickListener(listener: ((objectImage: Bitmap) -> Unit))이 콜백은 사용자가 탭한 객체만 포함하여 잘린 이미지를 수신하는 콜백입니다. 이렇게 하여 잘린 이미지를 이후 Codelab에서 이미지 검색 백엔드로 보내 시각적으로 유사한 결과를 얻게 됩니다. 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 이동한 다음 아래에 다음 코드 스니펫을 추가합니다.
runOnUiThread {
viewBinding.ivPreview.drawDetectionResults(it)
}
실행
이제 Android 스튜디오 툴바에서 Run ( )을 클릭합니다.
앱이 로드되면 카메라 아이콘이 있는 버튼을 누르거나, 카메라로 사물을 가리키거나, 사진을 찍거나, 사진을 수락하거나 (카메라 앱 내에서) 사진을 수락하거나, 미리 설정된 이미지를 쉽게 탭할 수 있습니다. 감지 결과가 표시됩니다. 버튼을 다시 누르거나 다른 이미지를 선택하여 몇 번 반복하고 최신 ML Kit ODT를 경험해 보세요.
7 축하합니다.
ML Kit를 사용하여 앱에 객체 감지 기능 추가하기
- 3개의 API가 있는 3단계
- 입력 이미지 만들기
- 검사 프로그램 만들기
- 검사 프로그램에 이미지 보내기
이것으로 모든 작업을 시작할 수 있습니다.
학습한 내용
- Android 앱에 ML Kit 객체 감지 및 추적을 추가하는 방법
- ML Kit의 기기별 객체 감지 및 추적을 사용하여 이미지에서 객체를 감지하는 방법
다음 단계
- 이 Codelab에서 감지된 객체를 제품 검색 백엔드에 전송하고 검색결과를 표시하는 방법을 알아보세요.
- 더 많은 이미지와 실시간 동영상으로 ML Kit ODT를 탐색하여 감지 및 분류의 정확성과 성능을 경험해 보세요.
- 커스텀 모델을 학습시키는 방법을 알아보려면 객체 감지로 추가 작업 학습 과정을 확인하세요.
- 객체 감지 및 라이브 카메라와 정적 이미지를 위한 머티리얼 디자인 권장사항을 알아보세요.
- 자체 Android 앱에 ML Kit ODT 적용