Erste Schritte mit Media Enhancement APIs

Die Media Enhancement API ist ein leistungsstarkes Tool, das die GPU-Beschleunigung auf dem Gerät nutzt, um hochwertige Bildoptimierungen mit niedriger Latenz durchzuführen. Dazu gehören Funktionen wie automatisches Tone Mapping, Scharfzeichnen, Rauschunterdrückung und Hochskalieren.

Bevor Sie die API initialisieren, müssen Sie die Projektabhängigkeiten konfigurieren und die Anforderungen für die Hardwarebeschleunigung im Manifest deklarieren. Das Überspringen dieser Konfigurationen ist die Hauptursache für GLOBAL_INIT_FAILED-Laufzeitfehler.

Gradle-Abhängigkeiten

Fügen Sie der Datei app/build.gradle.kts die folgenden Abhängigkeiten hinzu. Um eine asynchrone, nicht blockierende Ausführung zu ermöglichen, sollten Sie Kotlin-Koroutinen und Jetpack Media3 für die Verarbeitung von Hardwareoberflächen einbinden.

dependencies {
    // Google Play services Media Enhancement Library (Beta)
    implementation("com.google.android.gms:play-services-media-effect-enhancement:16.0.0-beta04")
}

Paketdetails für play-services-media-effect-enhancement im Maven-Repository von Google ansehen.

Wir empfehlen außerdem, Kotlin-Koroutinen zu verwenden, um die Optimierungssitzungen asynchron zu verwalten.

// Kotlin coroutines for asynchronous API handling
  implementation("org.jetbrains.kotlinx:kotlinx-coroutines-android:1.7.3")
  implementation("org.jetbrains.kotlinx:kotlinx-coroutines-play-services:1.7.3")

Anforderungen an das Android-Manifest

Fügen Sie dem <application>-Tag der Datei AndroidManifest.xml die folgenden Elemente hinzu:

<manifest xmlns:android="http://schemas.android.com/apk/res/android">
    <application>
        <!-- 1. Google Play services version for runtime compatibility checks -->
        <meta-data
            android:name="com.google.android.gms.version"
            android:value="@integer/google_play_services_version" />
        <!-- 2. Declare OpenCL compute libraries for NPU/GPU neural acceleration -->
        <uses-native-library android:name="libOpenCL.so" android:required="false" />
        <uses-native-library android:name="libOpenCL-car.so" android:required="false" />
        <uses-native-library android:name="libOpenCL-pixel.so" android:required="false" />
        <!-- 3. Declare OpenGL ES for high-performance graphics rendering -->
        <uses-native-library android:name="libGLESv2.so" android:required="false" />
        <uses-native-library android:name="libGLESv3.so" android:required="false" />
    </application>
</manifest>

OpenCL stellt die nativen Rechenbibliotheken bereit, die für die neuronale Beschleunigung von NPU und GPU für Aufgaben zur Medienverbesserung erforderlich sind. Die Deklaration dieser Bibliotheken in Ihrem Manifest ist eine Voraussetzung dafür, dass die API die Hardwarebeschleunigung nutzen kann. Diese ist für hochwertige Verbesserungen mit niedriger Latenz unerlässlich. Weitere Informationen zu OpenCL finden Sie unter OpenCL-Implementierungen.

OpenGL ES stellt die nativen Grafikbibliotheken bereit, die für das leistungsstarke Rendering von Medienverbesserungsausgaben erforderlich sind. Die Deklaration dieser Bibliotheken in Ihrem Manifest ist wichtig, damit die Rendering-Pipeline verarbeitete Medien effektiv auf hardwarebeschleunigten Oberflächen anzeigen kann. Informationen zu OpenGL finden Sie in der Übersicht über die OpenGL API-Dokumentation.

Die Android-Rendering-Pipeline muss hardwarebeschleunigt sein, um Engpässe zu vermeiden. Diese Funktion ist standardmäßig für Apps aktiviert, die auf API 14 oder höher ausgerichtet sind. Sie können android:hardwareAccelerated="true" aber auch explizit in Ihren <activity>-Tags festlegen.

Gerätekompatibilität und Moduleinrichtung

Die Google Play-Dienste stellen Modelle für maschinelles Lernen dynamisch bereit, um den ursprünglichen APK-Speicherplatz zu schonen. Bevor die Anwendung Verbesserungen vornimmt, muss sie die EnhancementClient verwenden, um die Hardwareunterstützung zu prüfen und sicherzustellen, dass die erforderlichen Modellgewichtungen heruntergeladen und lokal im Cache gespeichert werden. Das ist ein einmaliger Vorgang pro Gerät.

Mit suspendCancellableCoroutine können Sie die aufgabenbasierten Client-Callbacks in standardmäßige Kotlin-Sperrfunktionen einbinden, um eine sauberere, sequenzielle Ausführung zu ermöglichen:

// Verifies if host hardware supports NPU/GPU acceleration
suspend fun EnhancementClient.isDeviceSupportedAsync(): Boolean = suspendCancellableCoroutine { continuation ->
    this.isDeviceSupported()
        .addOnSuccessListener { result -> continuation.resume(result) }
        .addOnFailureListener { exception -> continuation.resumeWithException(exception) }
}
// Verifies the presence of required neural network models
suspend fun EnhancementClient.isModuleInstalledAsync(): Boolean = suspendCancellableCoroutine { continuation ->
    this.isModuleInstalled()
        .addOnSuccessListener { result -> continuation.resume(result) }
        .addOnFailureListener { exception -> continuation.resumeWithException(exception) }
}