如何使用Fritz.ai将机器学习应用于Android

最新推荐文章于 2024-10-01 18:51:18 发布

danpincheng0204

最新推荐文章于 2024-10-01 18:51:18 发布

阅读量323

点赞数

文章标签： java 机器学习人工智能深度学习 android

本文介绍如何使用Fritz.ai 将机器学习应用于Android 。在深入探讨如何开发机器学习Android应用程序的细节之前，简要描述一下什么是Fritz.ai平台很有用。如您所知，机器学习是一个有趣的话题，正变得越来越重要，它有望改变几个领域，包括我们与Android应用程序交互的方式。

为了实验如何使用Fritz.ai将机器学习应用于Android，我们将开发一个使用机器学习图像分类的Android应用 。

机器学习是AI的一种应用程序，它使系统无需使用明确的指令即可完成任务，而是从数据中学习并从经验中改进。

什么是Fritz.ai机器学习平台？

Fritz.ai是适用于Android和iOS的机器学习平台，可简化Android机器学习应用程序的开发 。在开发机器学习Android应用程序时，通常需要创建将由Android应用程序使用的ML模型。建立ML模型的过程既繁琐又困难。 Fritz.ai提供了一组可供使用的内置模型，这些模型可以加快机器学习Android应用的开发速度。

Fritz.ai提供的内置ML模型是：

图像标注
物体检测
风格转移
图像分割
姿势刺激

此外，如果我们要使用特定模型，则可以上传自定义模型。

如何配置Fritz.ai

使用Fritz.ai机器学习平台的第一步是创建一个免费帐户，然后创建一个新的机器学习Android项目，如下图所示：

现在，可以添加一个新项目：

您必须提供项目名称。创建项目后，有必要提供项目包：

如何使用Fritz.ai设置Android项目

在Fritz.ai控制台中正确配置项目后，我们可以将Android项目设置为包括Fritz.ai。在项目级别，必须以这种方式修改build.gradle ：

...
allprojects {
 repositories {
    google()
    jcenter()
    maven { url "https://raw.github.com/fritzlabs/fritz-repository/master" }
  }
}
...

在应用程序级别的build.gradle中：

dependencies {
    ....
    implementation 'ai.fritz:core:3.0.1'
    implementation 'ai.fritz:vision:3.0.1'
}

最后一步是注册服务，以便Android应用可以接收模型更新。为此，需要在Manifest.xml中添加：

<service            
   android:name="ai.fritz.core.FritzCustomModelService"
   android:exported="true"
   android:permission="android.permission.BIND_JOB_SERVICE" />

就这样。现在，我们准备开始开发我们的机器学习Android应用程序。

更多有用的资源

Firebase ML Kit：使用人脸检测API构建人脸特征检测应用

机器学习正在革新供应链管理的9种方式

在Android中实现机器学习图像标签

要实现使用机器学习图像标签的Android应用，请执行以下步骤：

在Android应用中配置Fritz.ai SDK
标记检测到的图像

在Android应用中配置Fritz.ai SDK

第一步是在Android应用程序中配置Fritz.ai SDK，以便以后需要标记所捕获图像时可以使用它。让我们创建一个活动，并在onCreate()方法中添加以下行：

protected void onCreate(Bundle savedInstanceState) {
    super.onCreate(savedInstanceState);
    setContentView(R.layout.activity_main);
    Fritz.configure(this, "your_fritz.ai_key");
     downloadModel();
 }

在第4行中，有必要使用在控制台中设置项目期间获得的API_KEY配置Fritz。下一步，它是从云下载模型：

private void downloadModel() {
  FritzManagedModel model = new ImageLabelManagedModel();
  Log.d(TAG, "Download model...");
  FritzVision.ImageLabeling.loadPredictor(model, new PredictorStatusListener<FritzVisionLabelPredictor>() {
      @Override
      public void onPredictorReady(FritzVisionLabelPredictor predictor) {
         Log.d(TAG, "Model downloaded");
         MainActivity.this.predictor = predictor;
      }
   });
}

在这种情况下，Android应用程序使用ImageLabelManageModel因为我们想使用机器学习来标记图像。

<?xml version="1.0" encoding="utf-8"?>
<RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android"
    xmlns:app="http://schemas.android.com/apk/res-auto"
    xmlns:tools="http://schemas.android.com/tools"
    android:layout_width="match_parent"
    android:layout_height="match_parent"
    tools:context=".MainActivity">

    <TextureView
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:layout_alignParentTop="true"
        android:id="@+id/preview"/>

    <Button
        android:layout_width="match_parent"
        android:layout_height="wrap_content"
        android:id="@+id/btnLabel"
        android:text="Label it"
        android:layout_alignParentBottom="true"/>

</RelativeLayout>

的
TextureView

将
保留来自相机的图像流，同时该按钮将用于标记图像，我们将在后面看到。

如何使用机器学习标记图像

要使用机器学习对图像进行分类，一旦我们获得了相机的图像，就必须创建FritzVisionImage的实例。现在，让我们假设我们有一个ImageReader实例，该实例保存从相机捕获的图像。有必要将其转换为位图，然后使用预测变量标记图像：

Image image = reader.acquireLatestImage();
ByteBuffer buffer = image.getPlanes()[0].getBuffer();
byte[] bytes = new byte[buffer.capacity()];
buffer.get(bytes);
Bitmap bitmapImage = BitmapFactory.decodeByteArray(bytes, 0, bytes.length, null);

FritzVisionImage fvi = FritzVisionImage.fromBitmap(bitmapImage);

最后，在第8行，可以使用将标记图像的预测变量。现在，Android应用程序可以使用

相对的
准确性：

FritzVisionLabelResult labels = predictor.predict(fvi);
List<FritzVisionLabel> labelList = labels.getVisionLabels();
if (labelList != null && labelList.size() > 0) {
    FritzVisionLabel label = labels.getVisionLabels().get(0);
    System.out.println("Label [" + label.getText() + "]");
}

该应用程序获取列表的第一个元素，准确性更高。现在我们可以描述如何在Android中使用相机捕获图像。

在Android中处理相机

机器学习引擎准备就绪后，我们必须将注意力集中在如何捕获图像上。如前所述，

的

TextureView

将

保持来自相机的图像流。有必要在TextureView中添加一个侦听器，以了解何时可以使用相机：

TextureView.SurfaceTextureListener surfaceListener = new TextureView.SurfaceTextureListener() {
   @Override
   public void onSurfaceTextureAvailable(SurfaceTexture surface, int width, int height) {
       Log.d(TAG, "Surface available");
       openCamera();
   }
   @Override
   public void onSurfaceTextureSizeChanged(SurfaceTexture surface, int width, int height) {}
   @Override
   public boolean onSurfaceTextureDestroyed(SurfaceTexture surface) {
      return false;
   }
   @Override
   public void onSurfaceTextureUpdated(SurfaceTexture surface) {
    }
 };

准备好表面后，应用程序可以打开相机并开始使用它。请注意：

preview = (TextureView) findViewById(R.id.preview);
preview.setSurfaceTextureListener(surfaceListener);

现在可以打开相机了：

private void openCamera() {
    CameraManager manager = (CameraManager) 
    getSystemService(Context.CAMERA_SERVICE);
    // We get the first available camera
     try {
         cameraId = manager.getCameraIdList()[0];
         CameraCharacteristics characteristics = 
               manager.getCameraCharacteristics(cameraId);
         StreamConfigurationMap streamConfMap = characteristics.get(CameraCharacteristics.SCALER_STREAM_CONFIGURATION_MAP);
         imageDimension = streamConfMap.getOutputSizes(SurfaceTexture.class)[0];

         // We can open the camera now
         manager.openCamera(cameraId, new cameraDevice.StateCallback() {
             @Override
             public void onOpened(@NonNull CameraDevice camera) {
                Log.i(TAG, "Camera opened");
                cameraDevice = camera;
                createPreview();
             }
             @Override
             public void onDisconnected(@NonNull CameraDevice camera) {      }
             @Override
             public void onError(@NonNull CameraDevice camera, int error) {
                Log.e(TAG, "Error opening the camera");
                }
            }, null);
        }
        catch(CameraAccessException cae) {
            // Let us handle the error
        }
        catch(SecurityException se) {

        }
    }

打开相机并准备使用它时，Android应用可以开始流式传输图像：

private void createPreview() {
        SurfaceTexture surfaceTexture = preview.getSurfaceTexture();
        surfaceTexture.setDefaultBufferSize(imageDimension.getWidth(), imageDimension.getHeight());
        Surface surface = new Surface(surfaceTexture);
        try {
            previewRequestBuilder = cameraDevice.createCaptureRequest(CameraDevice.TEMPLATE_PREVIEW);
            previewRequestBuilder.addTarget(surface);

            cameraDevice.createCaptureSession(Arrays.asList(surface),
                new CameraCaptureSession.StateCallback() {
                   public void onConfigured(@NonNull CameraCaptureSession cameraCaptureSession) {
                       cameraSession = cameraCaptureSession;
                       previewRequestBuilder.set(
                              CaptureRequest.CONTROL_AF_MODE,
                               CaptureRequest.CONTROL_AF_MODE_CONTINUOUS_PICTURE);
                       // Flash is automatically enabled when necessary.
                       previewRequestBuilder.set(
                               CaptureRequest.CONTROL_AE_MODE,
                               CaptureRequest.CONTROL_AE_MODE_ON_AUTO_FLASH);

                       // Finally, we start displaying the camera preview.
                       CaptureRequest previewRequest = previewRequestBuilder.build();
                       try {
                           cameraSession.setRepeatingRequest(
                                   previewRequest, new CameraCaptureSession.CaptureCallback() {
                                       @Override
                                       public void onCaptureProgressed(
                                               final CameraCaptureSession session,
                                               final CaptureRequest request,
                                               final CaptureResult partialResult) {
                                       }

                                       @Override
                                       public void onCaptureCompleted(
                                               final CameraCaptureSession session,
                                               final CaptureRequest request,
                                               final TotalCaptureResult result) {
                                       }
                                   }, backgroundHandler);
                       }
                       catch(CameraAccessException cae) {}
                  }

                 @Override
                    public void onConfigureFailed(@NonNull CameraCaptureSession cameraCaptureSession) {
                    Log.e(TAG, "Configuration failed");
                   }
               }, null);
        }
        catch (CameraAccessException cae) {}
    }

标记相机拍摄的图像

在最后一步中，有必要捕获图像并使用机器学习对其进行标记。为此，Android应用程序使用先前布局中定义的按钮：

labelBtn = (Button) findViewById(R.id.btnLabel);
labelBtn.setOnClickListener(new View.OnClickListener() {
     @Override
     public void onClick(View v) {
          takePicture();
      }
});

在

的
takePicture

方法
，Android应用会拍摄图片并为其添加标签（如上所示）。如果您想获得完整的代码，可以转到Github并下载。

摘要

在本文的最后，您希望获得有关如何使用Fritz.ai将机器学习应用于Android的知识。您已发现如何使用机器学习图像分类来标记相机拍摄的图像。

翻译自: https://www.javacodegeeks.com/2019/03/machine-learning-android-using-fritz-ai.html

danpincheng0204

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫