HMS Core 机器学习服务

机器学习服务（ML Kit）提供机器学习套件，为开发者使用机器学习能力开发各类应用，提供优质体验。得益于华为长期技术积累，ML Kit为开发者提供简单易用、服务多样、技术领先的机器学习能力，助力开发者更快更好地开发各类AI应用。

1. 文本模块：文本识别、文档识别、身份证识别、银行卡识别、通用卡证识别、文本翻译、语种检测、实时语音识别、语音合成、离线语音合成、音频文件转写、声音识别、文本嵌入、实时语音转写
2. 视觉模块：图像分割、对象检测与跟踪、图片分类、地标识别、图像超分辨率、文字图像超分辨率、场景识别、表格识别、文档校正
3. 人体模块：人脸检测、3D人脸检测、人体骨骼检测、活体检测、手部关键点识别、手势识别、人脸比对
4. 自定义模型的演示Demo

指南:
https://developer.huawei.com/consumer/cn/doc/development/hiai-Guides/service-introduction-0000001050040017

服务依赖列表
https://developer.huawei.com/consumer/cn/doc/development/hiai-Guides/overview-sdk-0000001051070278

文本识别

//1.创建文本分析器MLTextAnalyzer用于识别图片中的文字，您可以通过MLLocalTextSetting设置识别的语种，不设置语言默认只能识别拉丁字符。 

//方式一：使用默认参数配置端侧文本分析器，只能识别拉丁语系文字。
MLTextAnalyzer analyzer = MLAnalyzerFactory.getInstance().getLocalTextAnalyzer();

//方式二：使用自定义参数MLLocalTextSetting配置端侧文本分析器。
MLLocalTextSetting setting = new MLLocalTextSetting.Factory()
    .setOCRMode(MLLocalTextSetting.OCR_DETECT_MODE)
    // 设置识别语种。
    .setLanguage("zh")
    .create();
MLTextAnalyzer analyzer = MLAnalyzerFactory.getInstance().getLocalTextAnalyzer(setting);

//2.通过android.graphics.Bitmap创建MLFrame，支持的图片格式包括：jpg/jpeg/png/bmp，建议输入图片长宽比范围：1:2到2:1。
// 通过bitmap创建MLFrame，bitmap为输入的Bitmap格式图片数据。
MLFrame frame = MLFrame.fromBitmap(bitmap);

//3.将生成的MLFrame对象传递给asyncAnalyseFrame方法进行文字识别。
Task<MLText> task = analyzer.asyncAnalyseFrame(frame);
task.addOnSuccessListener(new OnSuccessListener<MLText>() {
    
    @Override
    public void onSuccess(MLText text) {
    
        // 识别成功处理。
    }
}).addOnFailureListener(new OnFailureListener() {
    
    @Override
    public void onFailure(Exception e) {
    
        // 识别失败处理。
    }
});

//示例代码中使用了异步调用方式，本地文本识别还支持analyseFrame同步调用方式，识别结果以“MLText.Block”数组进行提供
Context context = getApplicationContext();
MLTextAnalyzer analyzer = new MLTextAnalyzer.Factory(context).setLocalOCRMode(MLLocalTextSetting.OCR_DETECT_MODE).setLanguage("zh").create();
SparseArray<MLText.Block> blocks = analyzer.analyseFrame(frame);

//4.识别完成，停止分析器，释放识别资源。 
try {
    
    if (analyzer != null) {
    
        analyzer.stop(); 
    }
} catch (IOException e) {
    
    // 异常处理。
}

静态图片检测

//1.创建图片分类分析器。可以通过图像分类自定义类MLLocalClassificationAnalyzerSetting创建分析器。 
// 方式一：端侧识别使用自定义参数配置。
MLLocalClassificationAnalyzerSetting setting = 
    new MLLocalClassificationAnalyzerSetting.Factory()
        .setMinAcceptablePossibility(0.8f)
        .create(); 
MLImageClassificationAnalyzer analyzer = MLAnalyzerFactory.getInstance().getLocalImageClassificationAnalyzer(setting);
// 方式二：端侧识别使用默认参数配置。
MLImageClassificationAnalyzer analyzer = MLAnalyzerFactory.getInstance().getLocalImageClassificationAnalyzer();

//2.通过android.graphics.Bitmap创建MLFrame，支持的图片格式包括：jpg/jpeg/png/bmp，建议图片尺寸不小于112*112像素。
// 通过bitmap创建MLFrame，bitmap为输入的Bitmap格式图片数据。
MLFrame frame = MLFrame.fromBitmap(bitmap);

//3.调用asyncAnalyseFrame方法进行图像分类（错误码信息可参见：机器学习服务错误码）。
Task<List<MLImageClassification>> task = analyzer.asyncAnalyseFrame(frame); 
task.addOnSuccessListener(new OnSuccessListener<List<MLImageClassification>>() {
    
    @Override
    public void onSuccess(List<MLImageClassification> classifications) {
    
        // 识别成功。
        // 遍历返回的列表MLImageClassification，获取分类名称等信息。
    }
}).addOnFailureListener(new OnFailureListener() {
    
    @Override
    public void onFailure(Exception e) {
    
        // 识别失败。
        // Recognition failure.
        try {
    
            MLException mlException = (MLException)e;
            // 获取错误码，开发者可以对错误码进行处理，根据错误码进行差异化的页面提示。
            int errorCode = mlException.getErrCode();
            // 获取报错信息，开发者可以结合错误码，快速定位问题。
            String errorMessage = mlException.getMessage();
        } catch (Exception error) {
    
            // 转换错误处理。
        }
    }
});

//4.识别完成，停止分析器，释放检测资源。
try {
    
    if (analyzer != null) {
    
       analyzer.stop();
    }
} catch (IOException e) {
    
    // 异常处理。
}

//以上示例代码中使用了异步调用方式，图片分类还支持同步调用使用analyseFrame函数获取检测结果：
SparseArray<MLImageClassification> classifications = analyzer.analyseFrame(frame);