Guía de reconocimiento de gestos para iOS

La tarea Reconocimiento de gestos de MediaPipe te permite reconocer gestos de las manos en tiempo real y proporciona los resultados reconocidos de los gestos de la mano y los puntos de referencia de las manos detectadas. En estas instrucciones, se muestra cómo usar el reconocedor de gestos en aplicaciones para iOS.

Puedes ver esta tarea en acción en la demostración web. Para obtener más información sobre las capacidades, los modelos y las opciones de configuración de esta tarea, consulta la Descripción general.

Ejemplo de código

El código de ejemplo de MediaPipe Tasks es una implementación básica de una app de reconocimiento de gestos para iOS. En el ejemplo, se usa la cámara de un dispositivo iOS físico para detectar de forma continua los gestos de la mano, y también se pueden usar imágenes y videos de la galería del dispositivo para detectar gestos de forma estática.

Puedes usarla como punto de partida de tu propia app para iOS o hacer referencia a ella cuando modifiques una app existente. El código de ejemplo del Reconocedor de gestos se aloja en GitHub.

Descarga el código

En las siguientes instrucciones, se muestra cómo crear una copia local del código de ejemplo con la herramienta de línea de comandos git.

Para descargar el código de ejemplo, haz lo siguiente:

1. Usa el siguiente comando para clonar el repositorio de Git:

   git clone https://github.com/google-ai-edge/mediapipe-samples
   

2. De manera opcional, configura tu instancia de Git para que use un proceso de confirmación de compra disperso, de modo que solo tengas los archivos para la app de ejemplo de Reconocedor de gestos:

   cd mediapipe
   git sparse-checkout init --cone
   git sparse-checkout set examples/gesture_recognizer/ios/
   

Después de crear una versión local del código de ejemplo, puedes instalar la biblioteca de tareas de MediaPipe, abrir el proyecto con Xcode y ejecutar la app. Para obtener instrucciones, consulta la Guía de configuración para iOS.

Componentes clave

Los siguientes archivos contienen el código fundamental para la aplicación de ejemplo del Reconocedor de gestos:

• GestureRecognizerService.swift: inicializa el reconocedor de gestos, maneja la selección de modelos y ejecuta inferencias en los datos de entrada.
• CameraViewController.swift: Implementa la IU para el modo de entrada del feed de la cámara en vivo y visualiza los resultados.
• MediaLibraryViewController.swift: Implementa la IU para el modo de entrada de archivos de imagen estática y video, y visualiza los resultados.

Configuración

En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y los proyectos de código a fin de usar el Reconocedor de gestos. Si quieres obtener información general sobre cómo configurar tu entorno de desarrollo para usar tareas de MediaPipe, incluidos los requisitos de la versión de la plataforma, consulta la Guía de configuración para iOS.

Dependencias

El Reconocedor de gestos usa la biblioteca MediaPipeTasksVision, que se debe instalar con CocoaPods. La biblioteca es compatible con las apps de Swift y Objective-C, y no requiere ninguna configuración adicional específica de un lenguaje.

Si quieres obtener instrucciones para instalar CocoaPods en macOS, consulta la guía de instalación de CocoaPods. Si quieres obtener instrucciones para crear un Podfile con los Pods necesarios para tu app, consulta Usa CocoaPods.

Agrega el pod de MediaPipeTasksVision a Podfile con el siguiente código:

target 'MyGestureRecognizerApp' do
  use_frameworks!
  pod 'MediaPipeTasksVision'
end

Si la app incluye objetivos de prueba de unidades, consulta la Guía de configuración para iOS y obtén información adicional sobre la configuración de tu Podfile.

Modelo

La tarea Reconocedor de gestos de MediaPipe requiere un modelo entrenado que sea compatible con esta tarea. Si deseas obtener más información sobre los modelos entrenados disponibles para el Reconocedor de gestos, consulta la descripción general de tareas en la sección Modelos.

Selecciona y descarga un modelo, y agrégalo al directorio de tu proyecto con Xcode. Para obtener instrucciones sobre cómo agregar archivos al proyecto de Xcode, consulta Cómo administrar archivos y carpetas en tu proyecto de Xcode.

Usa la propiedad BaseOptions.modelAssetPath para especificar la ruta de acceso al modelo en tu paquete de aplicación. Para ver un ejemplo de código, consulta la siguiente sección.

Crea la tarea

Puedes crear la tarea Reconocedor de gestos llamando a uno de sus inicializadores. El inicializador GestureRecognizer(options:) acepta valores para las opciones de configuración.

Si no necesitas que se inicialice un reconocedor de gestos con opciones de configuración personalizadas, puedes usar el inicializador GestureRecognizer(modelPath:) para crearlo con las opciones predeterminadas. Para obtener más información sobre las opciones de configuración, consulta Descripción general de la configuración.

La tarea Reconocedor de gestos admite 3 tipos de datos de entrada: imágenes fijas, archivos de video y transmisiones de video en vivo. De forma predeterminada, GestureRecognizer(modelPath:) inicializa una tarea para imágenes estáticas. Si deseas que tu tarea se inicialice para procesar archivos de video o transmisiones de video en vivo, usa GestureRecognizer(options:) para especificar el modo de ejecución de video o transmisión en vivo. El modo de transmisión en vivo también requiere la opción de configuración adicional gestureRecognizerLiveStreamDelegate, que permite que el reconocedor de gestos entregue resultados de reconocimiento de gestos al delegado de forma asíncrona.

Elige la pestaña correspondiente a tu modo de ejecución para ver cómo crear la tarea y ejecutar la inferencia.

Swift

import MediaPipeTasksVision

let modelPath = Bundle.main.path(forResource: "gesture_recognizer",
                                      ofType: "task")

let options = GestureRecognizerOptions()
options.baseOptions.modelAssetPath = modelPath
options.runningMode = .image
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

let gestureRecognizer = try GestureRecognizer(options: options)
    

import MediaPipeTasksVision

let modelPath = Bundle.main.path(forResource: "gesture_recognizer",
                                      ofType: "task")

let options = GestureRecognizerOptions()
options.baseOptions.modelAssetPath = modelPath
options.runningMode = .video
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

let gestureRecognizer = try GestureRecognizer(options: options)
    

import MediaPipeTasksVision

// Class that conforms to the `GestureRecognizerLiveStreamDelegate` protocol and
// implements the method that the gesture recognizer calls once it finishes
// performing recognizing hand gestures in each input frame.
class GestureRecognizerResultProcessor: NSObject, GestureRecognizerLiveStreamDelegate {

  func gestureRecognizer(
    _ gestureRecognizer: GestureRecognizer,
    didFinishRecognition result: GestureRecognizerResult?,
    timestampInMilliseconds: Int,
    error: Error?) {

    // Process the gesture recognizer result or errors here.

  }
}

let modelPath = Bundle.main.path(
  forResource: "gesture_recognizer",
  ofType: "task")

let options = GestureRecognizerOptions()
options.baseOptions.modelAssetPath = modelPath
options.runningMode = .liveStream
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

// Assign an object of the class to the `gestureRecognizerLiveStreamDelegate`
// property.
let processor = GestureRecognizerResultProcessor()
options.gestureRecognizerLiveStreamDelegate = processor

let gestureRecognizer = try GestureRecognizer(options: options)
    

Objective‑C

@import MediaPipeTasksVision;

NSString *modelPath =
  [[NSBundle mainBundle] pathForResource:@"gesture_recognizer"
                                  ofType:@"task"];

MPPGestureRecognizerOptions *options =
  [[MPPGestureRecognizerOptions alloc] init];
options.baseOptions.modelAssetPath = modelPath;
options.runningMode = MPPRunningModeImage;
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

MPPGestureRecognizer *gestureRecognizer =
      [[MPPGestureRecognizer alloc] initWithOptions:options error:nil];
    

@import MediaPipeTasksVision;

NSString *modelPath =
  [[NSBundle mainBundle] pathForResource:@"gesture_recognizer"
                                  ofType:@"task"];

MPPGestureRecognizerOptions *options =
  [[MPPGestureRecognizerOptions alloc] init];
options.baseOptions.modelAssetPath = modelPath;
options.runningMode = MPPRunningModeVideo;
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

MPPGestureRecognizer *gestureRecognizer =
      [[MPPGestureRecognizer alloc] initWithOptions:options error:nil];
    

@import MediaPipeTasksVision;

// Class that conforms to the `MPPGestureRecognizerLiveStreamDelegate` protocol
// and implements the method that the gesture recognizer calls once it finishes
// performing gesture recognition on each input frame.

@interface APPGestureRecognizerResultProcessor : NSObject 

@end

@implementation APPGestureRecognizerResultProcessor

-   (void)gestureRecognizer:(MPPGestureRecognizer *)gestureRecognizer
    didFinishRecognitionWithResult:(MPPGestureRecognizerResult *)gestureRecognizerResult
           timestampInMilliseconds:(NSInteger)timestampInMilliseconds
                             error:(NSError *)error {

    // Process the gesture recognizer result or errors here.

}

@end

NSString *modelPath =
  [[NSBundle mainBundle] pathForResource:@"gesture_recognizer"
                                  ofType:@"task"];

MPPGestureRecognizerOptions *options =
  [[MPPGestureRecognizerOptions alloc] init];
options.baseOptions.modelAssetPath = modelPath;
options.runningMode = MPPRunningModeLiveStream;
options.minHandDetectionConfidence = minHandDetectionConfidence
options.minHandPresenceConfidence = minHandPresenceConfidence
options.minTrackingConfidence = minHandTrackingConfidence
options.numHands = numHands

// Assign an object of the class to the `gestureRecognizerLiveStreamDelegate`
// property.
APPGestureRecognizerResultProcessor *processor =
  [APPGestureRecognizerResultProcessor new];
options.gestureRecognizerLiveStreamDelegate = processor;

MPPGestureRecognizer *gestureRecognizer =
      [[MPPGestureRecognizer alloc] initWithOptions:options error:nil];
    

Opciones de configuración

Esta tarea incluye las siguientes opciones de configuración para apps para iOS:

Cuando el modo de ejecución está configurado para transmitir en vivo, el Reconocedor de gestos requiere la opción de configuración adicional gestureRecognizerLiveStreamDelegate, que permite que esta función entregue los resultados del reconocimiento de gestos de forma asíncrona. El delegado debe implementar el método gestureRecognizer(_:didFinishRecognition:timestampInMilliseconds:error:), al que el Reconocedor de gestos llama después de procesar los resultados del reconocimiento de gestos en cada fotograma.

Preparar los datos

Debes convertir la imagen o el marco de entrada en un objeto MPImage antes de pasarlo al reconocedor de gestos. MPImage admite diferentes tipos de formatos de imagen de iOS y puede usarlos en cualquier modo de ejecución para la inferencia. Para obtener más información sobre MPImage, consulta la API de MPImage.

Elige un formato de imagen de iOS según tu caso de uso y el modo de ejecución que requiera tu aplicación.MPImage acepta los formatos de imagen de iOS UIImage, CVPixelBuffer y CMSampleBuffer.

UIImage

El formato UIImage es adecuado para los siguientes modos de ejecución:

• Imágenes: Las imágenes de un paquete de aplicación, una galería de usuario o un sistema de archivos con el formato de imágenes UIImage se pueden convertir en un objeto MPImage.

• Videos: Usa AVAssetImageGenerator para extraer fotogramas de video al formato CGImage y, luego, convertirlos en imágenes UIImage.

// 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)
    

// 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];
    

En el ejemplo, se inicializa un objeto MPImage con la orientación predeterminada UIImage.Orientation.Up. Puedes inicializar un objeto MPImage con cualquiera de los valores UIImage.Orientation admitidos. El Reconocedor de gestos no admite orientaciones duplicadas, como .upMirrored, .downMirrored, .leftMirrored y .rightMirrored.

Para obtener más información sobre UIImage, consulta la documentación de UIImage para desarrolladores de Apple.

CVPixelBuffer

El formato CVPixelBuffer es adecuado para aplicaciones que generan marcos y usan el framework CoreImage de iOS para el procesamiento.

El formato CVPixelBuffer es adecuado para los siguientes modos de ejecución:

• Imágenes: Las apps que generan imágenes CVPixelBuffer después de procesarlas usando el framework CoreImage de iOS se pueden enviar al reconocedor de gestos en el modo de ejecución de imágenes.

• Videos: Los fotogramas de video se pueden convertir al formato CVPixelBuffer para su procesamiento y, luego, enviarse al reconocedor de gestos en el modo de video.

• Transmisión en vivo: Las apps que usan una cámara de iOS para generar fotogramas se pueden convertir al formato CVPixelBuffer para su procesamiento antes de enviarse al reconocedor de gestos en el modo de transmisión en vivo.

// 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)
    

// 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];
    

Para obtener más información sobre CVPixelBuffer, consulta la documentación para desarrolladores de Apple CVPixelBuffer.

CMSampleBuffer

El formato CMSampleBuffer almacena muestras de contenido multimedia de un tipo de medio uniforme y es adecuado para el modo de ejecución de transmisión en vivo. Los fotogramas en tiempo real de las cámaras iOS se entregan de forma asíncrona en formato CMSampleBuffer por AVCaptureVideoDataOutput de iOS.

// 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)
    

// 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];
    

Para obtener más información sobre CMSampleBuffer, consulta la documentación de CMSampleBuffer para desarrolladores de Apple.

Ejecuta la tarea

Para ejecutar el Reconocedor de gestos, usa el método recognize() específico del modo de ejecución asignado:

• Imagen fija: recognize(image:)
• Video: recognize(videoFrame:timestampInMilliseconds:)
• Transmisión en vivo: recognizeAsync(image:timestampInMilliseconds:)

En las siguientes muestras de código, se presentan ejemplos básicos de cómo ejecutar el Reconocedor de gestos en estos diferentes modos de ejecución:

Swift

let result = try gestureRecognizer.recognize(image: image)
    

let result = try gestureRecognizer.recognize(
  videoFrame: image,
  timestampInMilliseconds: timestamp)
    

try gestureRecognizer.recognizeAsync(
  image: image,
  timestampInMilliseconds: timestamp)
    

Objective‑C

  MPPGestureRecognizerResult *result =
    [gestureRecognizer recognizeImage:mppImage
                                error:nil];
    

MPPGestureRecognizerResult *result =
  [gestureRecognizer recognizeVideoFrame:image
                 timestampInMilliseconds:timestamp
                                   error:nil];
    

BOOL success =
  [gestureRecognizer recognizeAsyncImage:image
                 timestampInMilliseconds:timestamp
                                   error:nil];
    

El código de ejemplo permite que el usuario cambie entre los modos de procesamiento, que pueden no ser necesarios para tu caso de uso.

Ten en cuenta lo siguiente:

• Cuando ejecutes en modo de video o transmisión en vivo, también deberás proporcionar la marca de tiempo del fotograma de entrada a la tarea del Reconocedor de gestos.

• Cuando se ejecuta en modo de imagen o video, la tarea Reconocedor de gestos bloquea el subproceso actual hasta que termina de procesar la imagen o el marco de entrada. Para evitar que se bloquee el subproceso actual, ejecuta el procesamiento en un subproceso en segundo plano con los frameworks de Dispatch o NSOperation de iOS.

• Cuando se ejecuta en el modo de transmisión en vivo, la tarea de Reconocedor de gestos se muestra de inmediato y no bloquea el subproceso actual. Invoca el método gestureRecognizer(_:didFinishRecognition:timestampInMilliseconds:error:) con el resultado del reconocimiento de gestos después de procesar cada fotograma de entrada. El reconocedor de gestos invoca este método de forma asíncrona en una cola de envío en serie dedicada. Para mostrar los resultados en la interfaz de usuario, envíalos a la cola principal después de procesarlos. Si se llama a la función recognizeAsync cuando la tarea Reconocedor de gestos está ocupada procesando otro fotograma, este último ignora el nuevo fotograma de entrada.

Cómo controlar y mostrar los resultados

Cuando se ejecuta la inferencia, la tarea Reconocedor de gestos muestra un GestureRecognizerResult que contiene puntos de referencia de la mano en coordenadas de imágenes, puntos de referencia de la mano en coordenadas mundiales, mano(izquierda/derecha) y categorías de gestos de la mano de las manos detectadas.

A continuación, se muestra un ejemplo de los datos de salida de esta tarea:

El GestureRecognizerResult resultante contiene cuatro componentes, y cada uno es un array, en el que cada elemento contiene el resultado detectado de una sola mano detectada.

• Mano dominante

  La mano representa si las manos detectadas son manos izquierdas o derechas.

• Gestos

  Las categorías de gestos reconocidas de las manos detectadas.

• Puntos de referencia

  Hay 21 puntos de referencia de la mano, cada uno compuesto por las coordenadas x, y y z. Las coordenadas x y y se normalizan a [0.0, 1.0] por el ancho y la altura de la imagen, respectivamente. La coordenada z representa la profundidad del punto de referencia, y la profundidad en la muñeca es el origen. Cuanto más bajo sea el valor, más cerca estará el punto de referencia de la cámara. La magnitud de z usa más o menos la misma escala que x.

• Monumentos universales

  Los puntos de referencia de las 21 manos también se presentan en coordenadas mundiales. Cada punto de referencia está compuesto por x, y y z, que representan coordenadas 3D del mundo real en metros con el origen en el centro geométrico de la mano.

GestureRecognizerResult:
  Handedness:
    Categories #0:
      index        : 0
      score        : 0.98396
      categoryName : Left
  Gestures:
    Categories #0:
      score        : 0.76893
      categoryName : Thumb_Up
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : -3.41E-7
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
    ... (21 landmarks for a hand)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
    ... (21 world landmarks for a hand)

En las siguientes imágenes, se muestra una visualización del resultado de la tarea: