फ़ेस डिटेक्टर टास्क की मदद से, किसी इमेज या वीडियो में चेहरों का पता लगाया जा सकता है. Google Analytics 4 पर माइग्रेट करने के लिए, इस टास्क की मदद से, फ़्रेम में चेहरों और चेहरों की पहचान की जा सकती है. यह टास्क, मशीन लर्निंग (एमएल) मॉडल, जो किसी एक इमेज या लगातार स्ट्रीम करने पर काम करता है बनाया जा सकता है. टास्क में चेहरे की जगह की जानकारी के साथ-साथ, चेहरे की यह जानकारी भी दिखाई जाती है पॉइंट: बाईं आंख, दाईं आंख, नाक का सिरा, मुंह, बाईं आंख का दर्द, और दाईं आंख त्रासदी.
इन निर्देशों में जिस कोड सैंपल की जानकारी दी गई है वह GitHub पर उपलब्ध है. आप इस वेब पर, इस टास्क को काम करते हुए देख सकते हैं डेमो. ज़्यादा के लिए इसकी क्षमताओं, मॉडल, और कॉन्फ़िगरेशन के विकल्पों के बारे में जानकारी टास्क, खास जानकारी.
कोड का उदाहरण
MediaPipe Tasks के उदाहरण कोड से, फ़ेस डिटेक्टर को आसानी से लागू किया जा सकता है iOS के लिए ऐप. इस उदाहरण में, किसी असल Android डिवाइस के कैमरे का इस्तेमाल करके, यह पता लगाया गया है कि में चेहरे को लगातार फ़िल्टर कर रहे हैं. यह ऐप्लिकेशन, इमेज में मौजूद चेहरों का पता लगा सकता है और डिवाइस की गैलरी में मौजूद वीडियो.
इस ऐप्लिकेशन का इस्तेमाल, अपने iOS ऐप्लिकेशन के लिए शुरुआती पॉइंट के तौर पर किया जा सकता है या इसे रेफ़रंस के तौर पर इस्तेमाल किया जा सकता है. को अपडेट करें. फ़ेस डिटेक्टर का उदाहरण कोड यहां होस्ट किया गया है GitHub.
कोड डाउनलोड करें
नीचे दिए गए निर्देशों में आपको उदाहरण की स्थानीय कॉपी बनाने का तरीका बताया गया है git कमांड लाइन टूल का इस्तेमाल करके कोड बनाना और उसमें बदलाव करना.
उदाहरण कोड डाउनलोड करने के लिए:
नीचे दिए गए कमांड का इस्तेमाल करके git रिपॉज़िटरी का क्लोन बनाएं:
git clone https://github.com/google-ai-edge/mediapipe-samples
वैकल्पिक रूप से, विरल चेकआउट का इस्तेमाल करने के लिए अपने git इंस्टेंस को कॉन्फ़िगर करें, ताकि सिर्फ़ फ़ेस डिटेक्टर के उदाहरण ऐप्लिकेशन की फ़ाइलें:
cd mediapipe git sparse-checkout init --cone git sparse-checkout set examples/face_detector/ios/
उदाहरण के कोड का लोकल वर्शन बनाने के बाद, MediaPipe टास्क लाइब्रेरी में, Xcode का इस्तेमाल करके प्रोजेक्ट खोलें और ऐप्लिकेशन चलाएं. इसके लिए निर्देशों के लिए, iOS के लिए सेटअप गाइड देखें.
मुख्य कॉम्पोनेंट
नीचे दी गई फ़ाइलों में फ़ेस डिटेक्टर के उदाहरण का ज़रूरी कोड शामिल है ऐप्लिकेशन:
- FaceDetectorService.swift: डिटेक्टर शुरू करता है, मॉडल चुनने का काम मैनेज करता है, और इनपुट डेटा के आधार पर अनुमान लगाता है..
- CameraViewController: लाइव कैमरा फ़ीड इनपुट मोड के लिए यूज़र इंटरफ़ेस (यूआई) लागू करता है और पहचान के नतीजों को विज़ुअलाइज़ करता है.
- MediaLibraryViewController.swift: स्टिल इमेज और वीडियो फ़ाइल के इनपुट मोड के लिए यूज़र इंटरफ़ेस (यूआई) लागू करता है और पहचान के नतीजों को विज़ुअलाइज़ करता है.
सेटअप
इस सेक्शन में, आपके डेवलपमेंट एनवायरमेंट को सेट अप करने और फ़ेस डिटेक्टर का इस्तेमाल करने के लिए कोड प्रोजेक्ट. अपना खाता सेट अप करने के बारे में MediaPipe टास्क के लिए डेवलपमेंट एनवायरमेंट. इसमें प्लैटफ़ॉर्म वर्शन भी शामिल है ज़रूरी शर्तों के बारे में जानने के लिए, iOS के लिए सेटअप गाइड देखें.
डिपेंडेंसी
फ़ेस डिटेक्टर, MediaPipeTasksVision
लाइब्रेरी का इस्तेमाल करता है, जिसे इंस्टॉल करना ज़रूरी होता है
CocoaPods का इस्तेमाल करके. यह लाइब्रेरी Swift और Objective-C, दोनों ऐप्लिकेशन के साथ काम करती है
इसके लिए, अलग से किसी भाषा के सेटअप की ज़रूरत नहीं होती.
macOS पर CocoaPods को इंस्टॉल करने के निर्देशों के लिए, CocoaPods को देखें
इंस्टॉल करने की गाइड देखें.
अपने ऐप्लिकेशन के लिए ज़रूरी पॉड के साथ Podfile
बनाने का तरीका जानने के लिए,
देखने के लिए, Google Play Store में
CocoaPods.
नीचे दिए गए कोड का इस्तेमाल करके, Podfile
में MediaPipeTasksVision पॉड जोड़ें:
target 'MyFaceDetectorApp' do
use_frameworks!
pod 'MediaPipeTasksVision'
end
अगर आपके ऐप्लिकेशन में यूनिट टेस्ट टारगेट शामिल हैं, तो
iOS सेट अप करने के बारे में ज़्यादा जानकारी पाएं
Podfile
.
मॉडल
MediaPipe Face Detector टास्क के लिए, ट्रेनिंग किया गया मॉडल होना ज़रूरी है इस टास्क को पूरा करें. इनके लिए उपलब्ध ट्रेन किए गए मॉडल के बारे में ज़्यादा जानकारी पाने के लिए फ़ेस डिटेक्टर, टास्क की खास जानकारी मॉडल देखें सेक्शन में दिया गया है.
कोई मॉडल चुनें और डाउनलोड करें, और Xcode का इस्तेमाल करके उसे अपनी प्रोजेक्ट डायरेक्ट्री में जोड़ें. अपने Xcode प्रोजेक्ट में फ़ाइलें जोड़ने के तरीके से जुड़े निर्देशों के लिए, मैनेज करना आपके Xcode में मौजूद फ़ाइलें और फ़ोल्डर प्रोजेक्ट.
मॉडल का पाथ बताने के लिए, BaseOptions.modelAssetPath
प्रॉपर्टी का इस्तेमाल करें
शामिल हैं. कोड के उदाहरण के लिए, अगला सेक्शन देखें.
टास्क बनाएं
आप फ़ेस डिटेक्टर टास्क बनाने के लिए, उसके किसी शुरू करने वाले को कॉल कर सकते हैं. कॉन्टेंट बनाने
FaceDetector(options:)
शुरू करने वाला, कॉन्फ़िगरेशन के लिए वैल्यू स्वीकार करता है
के विकल्प.
अगर आपको पसंद के मुताबिक बनाए गए कॉन्फ़िगरेशन के साथ शुरू किए गए फ़ेस डिटेक्टर की ज़रूरत नहीं है
विकल्पों के लिए, आप FaceDetector(modelPath:)
प्रारंभकर्ता का उपयोग करके
डिफ़ॉल्ट विकल्पों वाला फ़ेस डिटेक्टर. कॉन्फ़िगरेशन के बारे में ज़्यादा जानकारी पाने के लिए
विकल्पों के लिए, कॉन्फ़िगरेशन की खास जानकारी देखें.
फ़ेस डिटेक्टर टास्क, तीन इनपुट डेटा टाइप के साथ काम करता है: स्टिल इमेज, वीडियो फ़ाइलें
साथ ही, लाइव वीडियो स्ट्रीम भी दिखेंगी. डिफ़ॉल्ट रूप से, FaceDetector(modelPath:)
स्टिल इमेज के लिए टास्क. अगर आपको वीडियो प्रोसेस करने के लिए टास्क शुरू करना है
फ़ाइलें या लाइव वीडियो स्ट्रीम हैं, तो वीडियो की जानकारी देने के लिए FaceDetector(options:)
का इस्तेमाल करें
या लाइव स्ट्रीम मोड का इस्तेमाल करें. लाइव स्ट्रीम मोड इस्तेमाल करने के लिए,
faceDetectorLiveStreamDelegate
कॉन्फ़िगरेशन विकल्प, जो
फ़ेस डिटेक्टर की मदद से, प्रतिनिधियों को चेहरा पहचानने की सुविधा के नतीजे एसिंक्रोनस तरीके से दिए जाते हैं.
टास्क बनाने का तरीका जानने के लिए, अपने रनिंग मोड से जुड़ा टैब चुनें अनुमान लगाने के लिए कहा जा सकता है.
Swift
इमेज
import MediaPipeTasksVision let modelPath = Bundle.main.path(forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .image let faceDetector = try FaceDetector(options: options)
वीडियो
import MediaPipeTasksVision let modelPath = Bundle.main.path(forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .video let faceDetector = try FaceDetector(options: options)
लाइवस्ट्रीम
import MediaPipeTasksVision // Class that conforms to the `FaceDetectorLiveStreamDelegate` protocol and // implements the method that the face detector calls once it finishes // detecting faces in each input frame. class FaceDetectorResultProcessor: NSObject, FaceDetectorLiveStreamDelegate { func faceDetector( _ faceDetector: FaceDetector, didFinishDetection result: FaceDetectorResult?, timestampInMilliseconds: Int, error: Error?) { // Process the face detection result or errors here. } } let modelPath = Bundle.main.path( forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .liveStream // Assign an object of the class to the `faceDetectorLiveStreamDelegate` // property. let processor = FaceDetectorResultProcessor() options.faceDetectorLiveStreamDelegate = processor let faceDetector = try FaceDetector(options: options)
Objective-C
इमेज
@import MediaPipeTasksVision; NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeImage; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
वीडियो
@import MediaPipeTasksVision; NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeVideo; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
लाइवस्ट्रीम
@import MediaPipeTasksVision; // Class that conforms to the `MPPFaceDetectorLiveStreamDelegate` protocol // and implements the method that the face detector calls once it finishes // detecting faces in each input frame. @interface APPFaceDetectorResultProcessor : NSObject@end @implementation APPFaceDetectorResultProcessor - (void)faceDetector:(MPPFaceDetector *)faceDetector didFinishDetectionWithResult:(MPPFaceDetectorResult *)faceDetectorResult timestampInMilliseconds:(NSInteger)timestampInMilliseconds error:(NSError *)error { // Process the face detector result or errors here. } @end NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeLiveStream; // Assign an object of the class to the `faceDetectorLiveStreamDelegate` // property. APPFaceDetectorResultProcessor *processor = [APPFaceDetectorResultProcessor new]; options.faceDetectorLiveStreamDelegate = processor; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
ध्यान दें: अगर वीडियो मोड या लाइव स्ट्रीम मोड का इस्तेमाल किया जाता है, तो फ़ेस डिटेक्टर की मदद से जिससे हर फ़्रेम पर डिटेक्शन मॉडल ट्रिगर होने से रोका जाता है. इससे, इंतज़ार का समय कम करें.
कॉन्फ़िगरेशन विकल्प
इस टास्क में iOS ऐप्लिकेशन के लिए, नीचे दिए गए कॉन्फ़िगरेशन के विकल्प मौजूद हैं:
विकल्प का नाम | ब्यौरा | मान की सीमा | डिफ़ॉल्ट मान |
---|---|---|---|
runningMode |
टास्क के लिए रनिंग मोड सेट करता है. तीन
मोड: अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है इमेज: सिंगल इमेज इनपुट का मोड. अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है वीडियो: किसी वीडियो के डिकोड किए गए फ़्रेम के लिए मोड. अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है LIVE_STREAM: इनपुट की लाइवस्ट्रीम करने का मोड जैसी निजी जानकारी को किसी भी समय रिकॉर्ड कर सकते हैं. इस मोड में, resultListener होना चाहिए नतीजे पाने के लिए, लिसनर सेट अप करने के लिए कॉल किया गया एसिंक्रोनस रूप से. |
{RunningMode.image, RunningMode.video, RunningMode.liveStream } |
RunningMode.image |
minDetectionConfidence |
चेहरे की पहचान के लिए, कम से कम कॉन्फ़िडेंस स्कोर को सफल माना जाता है. | Float [0,1] |
0.5 |
minSuppressionThreshold |
चेहरे की पहचान के लिए, ओवरलैप हो सकने वाला कम से कम थ्रेशोल्ड. | Float [0,1] |
0.3 |
लाइव स्ट्रीम कॉन्फ़िगरेशन
जब रनिंग मोड लाइवस्ट्रीम पर सेट होता है, तब फ़ेस डिटेक्टर को
अतिरिक्त faceDetectorLiveStreamDelegate
कॉन्फ़िगरेशन विकल्प, जिससे यह सुविधा चालू होती है
फ़ेस डिटेक्टर की सुविधा का इस्तेमाल करती है, ताकि बिना किसी सिंक के पहचान करने के नतीजे डिलीवर किए जा सकें. वह व्यक्ति जिसे ईमेल खाते का ऐक्सेस दिया गया है
लागू करता है:
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:)
तरीका,
इसके लिए चेहरे की पहचान के नतीजों को प्रोसेस करने के बाद, फ़ेस डिटेक्टर कॉल करता है
करते हैं.
विकल्प का नाम | ब्यौरा | मान की सीमा | डिफ़ॉल्ट मान |
---|---|---|---|
faceDetectorLiveStreamDelegate |
चेहरे की पहचान करने वाले टूल को एसिंक्रोनस रूप से चेहरे की पहचान के नतीजे पाने की सुविधा देता है
लाइव स्ट्रीम मोड में. वह क्लास जिसका इंस्टेंस इस प्रॉपर्टी पर सेट किया गया है उसे
लागू करें
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:) अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है
तरीका. |
लागू नहीं | सेट नहीं है |
डेटा तैयार करें
आपको पहले, इनपुट इमेज या फ़्रेम को MPImage
ऑब्जेक्ट में बदलना होगा
उसे फ़ेस डिटेक्टर के पास नहीं भेजा जा सकता. MPImage
में, अलग-अलग तरह की iOS इमेज इस्तेमाल की जा सकती हैं
साथ ही, अनुमान लगाने के लिए किसी भी रनिंग मोड में इनका इस्तेमाल किया जा सकता है. ज़्यादा के लिए
MPImage
के बारे में जानकारी पाने के लिए,
MPImage API
अपने इस्तेमाल के उदाहरण और रनिंग मोड के हिसाब से iOS इमेज फ़ॉर्मैट चुनें
ऐप्लिकेशन के लिए आवश्यक है.MPImage
UIImage
, CVPixelBuffer
, और
CMSampleBuffer
iOS इमेज फ़ॉर्मैट.
UIImage
UIImage
फ़ॉर्मैट, नीचे दिए गए दौड़ने मोड के लिए सबसे सही है:
इमेज: किसी ऐप्लिकेशन बंडल, उपयोगकर्ता गैलरी या फ़ाइल सिस्टम से ली गई इमेज, इस फ़ॉर्मैट में दी गई हैं
UIImage
इमेज कोMPImage
ऑब्जेक्ट में बदला जा सकता है.वीडियो: AVAssetImageGenerator का इस्तेमाल करें वीडियो फ़्रेम एक्सट्रैक्ट करने के लिए CGImage फ़ॉर्मैट करें, फिर उन्हें
UIImage
इमेज में बदलें.
Swift
// Load an image on the user's device as an iOS `UIImage` object. // Convert the `UIImage` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(uiImage: image)
Objective-C
// Load an image on the user's device as an iOS `UIImage` object. // Convert the `UIImage` object to a MediaPipe's Image object having the default // orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithUIImage:image error:nil];
उदाहरण में MPImage
को डिफ़ॉल्ट वैल्यू के साथ शुरू किया गया है
UIImage.Orientation.Up
स्क्रीन की दिशा. MPImage
को इस्तेमाल करने वाली किसी भी सुविधा के साथ शुरू किया जा सकता है
UIImage.Orientation
वैल्यू. फ़ेस डिटेक्टर, मिरर किए गए ओरिएंटेशन के साथ काम नहीं करता, जैसे कि .upMirrored
,
.downMirrored
, .leftMirrored
, .rightMirrored
.
UIImage
के बारे में ज़्यादा जानकारी के लिए, UIImage Apple Developer पर जाएं
दस्तावेज़.
CVPixelBuffer
CVPixelBuffer
फ़ॉर्मैट, फ़्रेम जनरेट करने वाले ऐप्लिकेशन के लिए सबसे सही है
और iOS CoreImage का इस्तेमाल करें
प्रोसेसिंग के लिए फ़्रेमवर्क.
CVPixelBuffer
फ़ॉर्मैट, नीचे दिए गए दौड़ने मोड के लिए सबसे सही है:
इमेज: ऐसे ऐप्लिकेशन जो कुछ प्रोसेसिंग के बाद
CVPixelBuffer
इमेज जनरेट करते हैं iOS केCoreImage
फ़्रेमवर्क का इस्तेमाल करके, फ़ेस डिटेक्टर को इमेज रनिंग मोड.वीडियो: वीडियो फ़्रेम को
CVPixelBuffer
फ़ॉर्मैट में बदला जा सकता है प्रोसेस किया जाता है और फिर वीडियो मोड में फ़ेस डिटेक्टर को भेजा जाता है.लाइव स्ट्रीम: फ़्रेम जनरेट करने के लिए, iOS कैमरे का इस्तेमाल करने वाले ऐप्लिकेशन को बदला जा सकता है को भेजने से पहले प्रोसेसिंग के लिए
CVPixelBuffer
फ़ॉर्मैट में लाइव स्ट्रीम मोड में फ़ेस डिटेक्टर की सुविधा.
Swift
// Obtain a CVPixelBuffer. // Convert the `CVPixelBuffer` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(pixelBuffer: pixelBuffer)
Objective-C
// Obtain a CVPixelBuffer. // Convert the `CVPixelBuffer` object to a MediaPipe's Image object having the // default orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithUIImage:image error:nil];
CVPixelBuffer
के बारे में ज़्यादा जानकारी के लिए, CVPixelBuffer Apple पर जाएं
डेवलपर
दस्तावेज़.
CMSampleBuffer
CMSampleBuffer
फ़ॉर्मैट में, यूनिफ़ॉर्म मीडिया टाइप के मीडिया सैंपल सेव किए जाते हैं और यह होता है
ये लाइव स्ट्रीम रनिंग मोड के लिए ज़्यादा काम के होते हैं. iOS कैमरों से लाइव फ़्रेम की सुविधा
iOS के ज़रिए CMSampleBuffer
फ़ॉर्मैट में एसिंक्रोनस रूप से डिलीवर किया जाता है
AVCaptureVideoDataOutput.
Swift
// Obtain a CMSampleBuffer. // Convert the `CMSampleBuffer` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(sampleBuffer: sampleBuffer)
Objective-C
// Obtain a `CMSampleBuffer`. // Convert the `CMSampleBuffer` object to a MediaPipe's Image object having the // default orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithSampleBuffer:sampleBuffer error:nil];
CMSampleBuffer
के बारे में ज़्यादा जानकारी के लिए, CMSampleBuffer Apple देखें
डेवलपर
दस्तावेज़.
टास्क को पूरा करें
फ़ेस डिटेक्टर को चलाने के लिए, असाइन किए गए detect()
तरीके का इस्तेमाल करें
रनिंग मोड:
- फ़ोटो:
detect(image:)
- वीडियो:
detect(videoFrame:timestampInMilliseconds:)
- लाइवस्ट्रीम:
detectAsync(image:timestampInMilliseconds:)
फ़ेस डिटेक्टर की सुविधा, इनपुट इमेज या फ़्रेम में पहचाने गए चेहरों की जानकारी देती है.
नीचे दिए गए कोड सैंपल, फ़ेस डिटेक्टर को चलाने के आसान उदाहरण दिखाते हैं ये अलग-अलग रनिंग मोड हैं:
Swift
इमेज
let result = try faceDetector.detect(image: image)
वीडियो
let result = try faceDetector.detect( videoFrame: image, timestampInMilliseconds: timestamp)
लाइवस्ट्रीम
try faceDetector.detectAsync( image: image, timestampInMilliseconds: timestamp)
Objective-C
इमेज
MPPFaceDetectorResult *result = [faceDetector detectInImage:image error:nil];
वीडियो
MPPFaceDetectorResult *result = [faceDetector detectInVideoFrame:image timestampInMilliseconds:timestamp error:nil];
लाइवस्ट्रीम
BOOL success = [faceDetector detectAsyncInImage:image timestampInMilliseconds:timestamp error:nil];
फ़ेस डिटेक्टर के कोड के उदाहरण में, इनमें से हर मोड को लागू करने का तरीका दिखाया गया है
ज़्यादा जानकारी detect(image:)
, detect(videoFrame:timestampInMilliseconds:)
,
और detectAsync(image:timestampInMilliseconds:)
. उदाहरण कोड आपको
उपयोगकर्ता को एक से दूसरे मोड पर स्विच करना होगा, जो शायद आपके इस्तेमाल के लिए ज़रूरी नहीं है
केस.
निम्न पर ध्यान दें:
वीडियो मोड या लाइव स्ट्रीम मोड में चलाते समय, आपको फ़ेस डिटेक्टर टास्क के इनपुट फ़्रेम का टाइमस्टैंप.
इमेज या वीडियो मोड में चलते समय, फ़ेस डिटेक्टर टास्क, मौजूदा थ्रेड को तब तक सबमिट नहीं किया जा सकता, जब तक कि यह इनपुट इमेज या फ़्रेम की प्रोसेस पूरी नहीं कर लेता. यहां की यात्रा पर हूं मौजूदा थ्रेड को ब्लॉक होने से बचाएं और बैकग्राउंड में प्रोसेसिंग चलाएं iOS पर थ्रेड डिस्पैच करें या NSOperation फ़्रेमवर्क शामिल हैं.
लाइव स्ट्रीम मोड में चलाते समय, फ़ेस डिटेक्टर का टास्क तुरंत वापस आ जाता है और मौजूदा थ्रेड को ब्लॉक नहीं करता. यह
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:)
तरीका के साथ हर इनपुट फ़्रेम को प्रोसेस करने के बाद, चेहरे की पहचान के नतीजे वाली सुविधा का इस्तेमाल करती है. कॉन्टेंट बनाने फ़ेस डिटेक्टर, इस तरीके को किसी खास सीरियल नंबर पर एसिंक्रोनस रूप से शुरू करता है भेजने की सूची. यूज़र इंटरफ़ेस पर नतीजे दिखाने के लिए, नतीजों को प्रोसेस करने के बाद मुख्य सूची में जोड़ दिया जाता है. अगरdetectAsync
फ़ंक्शन को तब कॉल किया जाता है जब फ़ेस डिटेक्टर का टास्क किसी दूसरे फ़ंक्शन को प्रोसेस करने में व्यस्त हो फ़्रेम की पहचान करने वाला टूल नए इनपुट फ़्रेम को अनदेखा कर देता है.
नतीजों को हैंडल करना और दिखाना
रनिंग अनुमान पर, फ़ेस डिटेक्टर टास्क, FaceDetectorResult
दिखाता है
वह ऑब्जेक्ट जिसमें पहचाने गए चेहरों और कॉन्फ़िडेंस के लिए बाउंडिंग बॉक्स हैं
पहचाने गए हर चेहरे के लिए स्कोर दें.
इस टास्क के आउटपुट डेटा का एक उदाहरण नीचे दिया गया है:
FaceDetectionResult:
Detections:
Detection #0:
BoundingBox:
origin_x: 126
origin_y: 100
width: 463
height: 463
Categories:
Category #0:
index: 0
score: 0.9729152917861938
NormalizedKeypoints:
NormalizedKeypoint #0:
x: 0.18298381567001343
y: 0.2961040139198303
NormalizedKeypoint #1:
x: 0.3302789330482483
y: 0.29289937019348145
... (6 keypoints for each face)
Detection #1:
BoundingBox:
origin_x: 616
origin_y: 193
width: 430
height: 430
Categories:
Category #0:
index: 0
score: 0.9251380562782288
NormalizedKeypoints:
NormalizedKeypoint #0:
x: 0.6151331663131714
y: 0.3713381886482239
NormalizedKeypoint #1:
x: 0.7460576295852661
y: 0.38825345039367676
... (6 keypoints for each face)
नीचे दी गई इमेज, टास्क के आउटपुट का विज़ुअलाइज़ेशन दिखाती है:
बाउंडिंग बॉक्स के बिना इमेज के लिए, ओरिजनल इमेज देखें.
फ़ेस डिटेक्टर के उदाहरण के कोड से पता चलता है कि नतीजे कैसे दिखाए जाते हैं. ज़्यादा जानकारी के लिए, कोड का उदाहरण देखें.