Android Training Program - Portugal, Aula 10

Aula #10 Tensorflow Lite no Android 🤖

Continuação da aula anterior. A partir do modelo treinado anteriormente, vamos agora importá-lo para a nossa aplicação.

Está na altura de abrirmos a câmara e ver se reconhecemos algum dos objetos à nossa volta!

- Importar os modelos
- Detetar objetos

Transcript

1. Android
   Training
   Program
   PORTUGAL
   Aula #10
   TensorFlow Lite no
   Android
   

   View Slide

2. ● Sejam excelentes uns para os outros
   ● Fale mais alto se vir ou ouvir alguma coisa
   ● O assédio não é tolerado
   ● Pratique "Sim e" um ao outro
   Código de conduta
   Mais informações: http://bit.ly/2IhF0l3
   

   View Slide

3. Andres-Leonardo
   Martinez-Ortiz
   Google
   Carlos Mota
   Formador
   Renato Almeida
   Formador
   @davilagrau @cafonsomota @tallnato
   Equipa
   Daniela Ferreira
   Gestora de
   comunidades
   

   View Slide

4. ● 12 aulas
   ● 1h30 cada aula
   ● ~1 aula por semana
   ● 14 Outubro a 16 Dezembro
   ● YouTube live
   ● Suporte assíncrono contínuo via Discord/email
   ● Todo o código disponível no GitHub
   Photo by Arif Riyanto on Unspla
   O programa
   

   View Slide

5. #0
   14 de Outubro
   Pronto para
   começar
   #1
   21 de Outubro
   Bem-vindos ao
   Android
   #2
   28 de Outubro
   Fundações I
   #3
   04 de Novembro
   Fundações II
   #4
   11 de Novembro
   Fundações III
   #5
   18 de Novembro
   Listas, listas e
   mais listas
   #6
   25 de Novembro
   Jetpack,
   Jetpack,
   Jetpack!
   #7 - #8
   02 - 03 de Dezembro
   Firebase
   #9 - #10
   09 - 10 de Dezembro
   MLKit &
   TensorFlow
   #11
   16 de Dezembro
   Resumo
   Semana Semana
   Calendário
   ✅ ✅ ✅ ✅
   Direto
   ✅
   ✅ ✅ ✅
   

   View Slide

6. Sumário
   Photo by Mika Baumeister on Unsplash
   ● Resumo da aula anterior
   ● TensorFlow Lite
   ● Kotlin para principiantes
   ● É Natal
   

   View Slide

7. http://events.withgoogle.com/atp2020
   ✉ atp-suporte@googlegroups.com
   http://bit.ly/atp2020-youtube
   http://bit.ly/atp2020-discord
   Links
   

   View Slide

8. http://bit.ly/atp2020-live
   

   View Slide

9. http://bit.ly/atp2020-codelabs
   

   View Slide

10. http://bit.ly/kahoot-aula10
    

    View Slide

11. Resumo da Aula #9
    
    

    View Slide

12. ● Pode ser visto como uma forma de ajudar o software a realizar uma tarefa
    sem programar explicitamente ou criar regras
    ● Na programação tradicional, um programador especifica as regras que o
    computador deve usar
    ● Focado mais em análise de dados do que em programação
    ● São disponibilizados um conjunto de exemplos e o computador aprende a
    partir destes dados
    ● Podemos ver o machine learning como “programar com dados”
    Machine learning
    

    View Slide

13. https://about.google/intl/ALL_us/stories/seeingpotential/
    

    View Slide

14. Navegação com uma conta registada
    

    View Slide

15. https://about.google/intl/ALL_us/stories/save-the-bees/
    

    View Slide

16. ● O ML Kit leva a experiência em machine learning até aos dispositivos móveis
    ● É uma biblioteca poderosa e fácil de utilizar
    ● Permite que as aplicações Android/iOS
    ○ Sejam personalizadas com base nas interações dos utilizadores
    ○ Ao mesmo tempo, está otimizada para correr nestes dispositivos
    ● Totalmente gratuito
    Machine learning para dispositivos móveis
    

    View Slide

17. ● Identificar e processar códigos de barras
    ● Suporta a maioria dos formatos de 1D e 2D disponíveis
    Detectar códigos de barras
    Visão
    

    View Slide

18. ● Detetar rostos
    ● Identificar características faciais
    ● Obter os contornos dos rostos
    Deteção de caras
    Visão
    

    View Slide

19. ● Detetar e extrair informações dos objetos
    ● Identifica objetos, locais, espécies de animais, produtos, entre outros
    ● Consegue identificar cerca de 400 entidades diferentes
    Classificação de imagens
    Visão
    

    View Slide

20. ● Localizar e seguir até 5 objetos diretamente da câmera ou de uma imagem,
    fornecendo a sua posição e um ID que permite identificar esse objeto num
    vídeo
    ● Permite personalizar a classificação de objetos com modelos do TensorFlow
    Lite
    Detectar e seguir objetos
    Visão
    

    View Slide

21. ● Reconhecimento e extração de texto de imagens
    ● Facilita a deteção de cartões de crédito, recibos ou cartões de visita
    Reconhecimento de texto
    Visão
    

    View Slide

22. ● Reconhece texto manuscrito e formas desenhadas à mão numa superfície
    digital
    ● Usa a mesma tecnologia utilizada no teclado GBoard e Google tradutor para
    deteção de escrita manual
    Reconhecimento de escrita
    Visão
    

    View Slide

23. ● Permite detetar a posição do corpo humano em tempo real de um vídeo ou
    de uma imagem estática
    ● Detecta partes do corpo humano tais como ombros e cintura
    Deteção de poses
    Visão
    

    View Slide

24. ● Permite detetar o idioma apenas com algumas palavras
    ● Consegue identificar mais de 100 idiomas diferentes
    Identificação do idioma
    Linguagem natural
    

    View Slide

25. ● Permite traduzir entre 58 idiomas, tudo no dispositivo, mas apenas para
    traduções simples
    ● Permite transferir outros idiomas (30MB cada)
    Tradução no dispositivo
    Linguagem natural
    

    View Slide

26. ● Gera sugestões relevantes de respostas em conversas de texto
    ● Utiliza o contexto de toda a conversa para dar sugestões
    ● Tudo no dispositivo, sem necessitar de enviar as conversas para o servidor
    ● Apenas funciona em Inglês
    Sugestões de respostas
    Linguagem natural
    

    View Slide

27. Aula #10
    
    

    View Slide

28. TensorFlow
    

    View Slide

29. ● É uma biblioteca de código aberto, desenvolvida pela Google
    ● Oferece API’s que facilitam a implementação de machine learning
    ● Tem um tempo de compilação inferior comparando com outras bibliotecas
    ● Permite fazer o processamento tanto no CPU e GPU
    ● Tem ganho bastante relevo na área
    ● Permite que qualquer pessoa, com ou sem experiência em machine learning,
    possa construir e utilizar os modelos de machine learning
    O que é o TensorFlow?
    

    View Slide

30. TensorFlow Lite
    

    View Slide

31. ● Latência muito mais reduzida
    ○ Uma vez que corre tudo localmente
    ● Funciona offline
    ● Os dados nunca saem do dispositivo
    ○ Ideal para o caso destes serem sensíveis
    ● Mais eficiente
    ○ Não é necessário estar a enviar/ receber dados do servidor
    ● Todos os sensores já se encontram disponíveis nos telemóveis atuais
    Porquê correr nos telemóveis?
    

    View Slide

32. ● Recursos limitados
    ○ Não é possível modificar o hardware dos telemóveis…
    ○ … a não ser comprando um novo
    ● Outras aplicações também se encontram a competir por recursos
    ● Limites de memória
    ● Tem de utilizar pouca energia de forma a poupar as baterias
    ● Baixo poder computacional
    Dificuldades
    

    View Slide

33. Mas o TensorFlow foi inicial desenvolvido para ser utilizado em
    servidores....
    
    

    View Slide

34. ● O TensorFlow Lite é uma versão do TensorFlow mais leve, desenvolvida
    especificamente para dispositivos móveis ou dispositivos embutidos
    ● Tipicamente têm menos capacidade de processamento e armazenamento
    ● O TensorFlow Lite permite que o processamento seja feito no dispositivo,
    evitando o envio dos dados para o servidor para posterior análise
    ● Disponível para Android, iOS e Linux
    O que é o TensorFlow Lite?
    

    View Slide

35. ● Um modelo de TensorFlow é uma estrutura
    de dados que contém a lógica e
    conhecimento de uma rede de machine
    learning treinada para resolver uma
    problema específico
    ● Para utilizar um modelo no TensorFlow Lite
    é primeiro preciso converter um treinado
    previamente no formato do TensorFlow.
    Escolher um modelo
    Como funciona?
    

    View Slide

36. ● Para utilizar um modelo TensorFlow no
    TensorFlow Lite é necessário converter o
    modelo
    ● A conversão do modelo reduz o tamanho
    do ficheiro e introduz o otimizações que
    não afectam a precisão
    Converter
    Como funciona?
    

    View Slide

37. ● Pegar no ficheiro .tflite comprimido e
    adicionar à aplicação
    ● Correr os dados no modelo para obter as
    previsões
    Lançar
    Como funciona?
    

    View Slide

38. ● O TF Lite tem ferramentas para otimizar o
    tamanho e performance dos modelos, com
    impacto mínimo na precisão.
    ● Modelos otimizados podem precisar de um
    treino, conversão ou integração mais
    complexos
    ● O objetivo, é chegar a um equilíbrio ideal de
    desempenho, tamanho do modelo e
    precisão para um determinado dispositivo
    Otimizar
    Como funciona?
    

    View Slide

39. Resumo
    Como funciona?
    Treinado
    Modelo de
    TensorFlow
    Convertido
    (para o formato
    do TensorFlow
    lite)
    Android App
    (Java/C++ API)
    iOS App
    (C++ API)
    Linux (ex. Pi)
    (Python/Java/C++ API)
    

    View Slide

40. E se o nosso modelo alterar?
    

    View Slide

41. Lançar uma versão nova da aplicação?
    

    View Slide

42. Lançar uma versão nova da aplicação?
    meh
    

    View Slide

43. E se existir uma forma melhor?
    

    View Slide

44. View Slide

45. https://firebase.google.com/products/ml
    

    View Slide

46. ● O Firebase ML permite guardar o nosso modelo num servidor, e depois
    distribuir pelos utilizadores
    ● Permite reduzir o tamanho do APK, sendo que a transferência do modelo é
    feito posteriormente
    ● Permite ainda realizar testes A/B, para medir a performance e valor dos
    diferentes modelos
    ● Permite atualizar o modelo sem ter que lançar uma aplicação nova
    Firebase ML
    

    View Slide

47. dependencies {
    implementation platform('com.google.firebase:firebase-bom:26.1.0')
    implementation 'com.google.firebase:firebase-ml-model-interpreter'
    }
    Como utilizar?
    Importar a biblioteca
    app/build.gradle
    

    View Slide

48. View Slide

49. val remoteModel = FirebaseCustomRemoteModel.Builder("dogs").build()
    val conditions = FirebaseModelDownloadConditions.Builder()
    .requireWifi()
    .build()
    FirebaseModelManager.getInstance().download(remoteModel, conditions)
    .addOnCompleteListener {
    // Usar o modelo
    }
    Como utilizar?
    Transferir o modelo
    

    View Slide

50. val remoteModel = FirebaseCustomRemoteModel.Builder("dogs").build()
    val conditions = FirebaseModelDownloadConditions.Builder()
    .requireWifi()
    .build()
    FirebaseModelManager.getInstance().download(remoteModel, conditions)
    .addOnCompleteListener {
    // Usar o modelo
    }
    Como utilizar?
    Transferir o modelo
    

    View Slide

51. val remoteModel = FirebaseCustomRemoteModel.Builder("dogs").build()
    val conditions = FirebaseModelDownloadConditions.Builder()
    .requireWifi()
    .build()
    FirebaseModelManager.getInstance().download(remoteModel, conditions)
    .addOnCompleteListener {
    // Usar o modelo
    }
    Como utilizar?
    Transferir o modelo
    

    View Slide

52. val remoteModel = FirebaseCustomRemoteModel.Builder("dogs").build()
    val conditions = FirebaseModelDownloadConditions.Builder()
    .requireWifi()
    .build()
    FirebaseModelManager.getInstance().download(remoteModel, conditions)
    .addOnCompleteListener {
    // Usar o modelo
    }
    Como utilizar?
    Transferir o modelo
    

    View Slide

53. Fabiana
    Clemente
    Federated Learning
    e casos de uso
    Chief Data Officer @YData
    @fab_clemente
    

    View Slide

54. Exemplos
    

    View Slide

55. ● Solução que permite reconhecer a partir de um
    modelo pré-treinado, 1000 tipos de itens
    diferentes diretamente da câmera de um
    dispositivo móvel
    ● Curiosidade:
    ○ Exemplo disponível para Raspberry Pi
    Classificação de imagens
    https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/android
    

    View Slide

56. ● Utilizando um modelo pré-treinado, permite
    desenhar um retângulo com a respectiva
    descrição de mais de 1000 objetos
    Deteção de objectos
    https://github.com/tensorflow/examples/blob/master/lite/examples/object_detection/android/
    

    View Slide

57. ● Este exemplo deteta continuamente as partes do
    corpo que estão visíveis pela câmera do
    dispositivo
    Deteção de pose
    https://github.com/tensorflow/examples/blob/master/lite/examples/posenet/android/
    

    View Slide

58. ● A segmentação de uma imagem é o processo de
    dividir a imagem em vários segmentos
    ● O objetivo é simplificar a representação da
    imagem para algo com mais significado e fácil de
    analisar
    Segmentação
    https://github.com/tensorflow/examples/tree/master/lite/examples/image_segmentation/android
    

    View Slide

59. ● É uma técnica que permite pegar no estilo de uma imagem e aplicar a
    outra
    Transferência de estilo
    https://github.com/tensorflow/examples/tree/master/lite/examples/style_transfer/android
    

    View Slide

60. Transferência de estilo
    

    View Slide

61. ● BERT
    ○ Bidirectional Encoder Representations from Transformers
    ● Permite utilizar um modelo pré-treinado para
    responder a questões baseadas num excerto de texto
    BERT - Questões e respostas
    https://github.com/tensorflow/examples/tree/master/lite/examples/bert_qa/android
    

    View Slide

62. ● Recomendações personalidades são usadas numa
    variedade de casos, como sugestão de uma
    produto, sugestão de próximo vídeo a ver, ou
    aplicação a abrir
    ● As recomendações são baseados nas opções
    feitas pelo utilizador
    Recomendações
    https://github.com/tensorflow/examples/tree/master/lite/examples/recommendation/android
    

    View Slide

63. https://www.tensorflow.org/lite/examples
    

    View Slide

64. Demos
    

    View Slide

65. View Slide

66. https://teachablemachine.withgoogle.com/
    

    View Slide

67. https://emojiscavengerhunt.withgoogle.com/
    

    View Slide

68. https://magenta.tensorflow.org/demos/
    

    View Slide

69. https://experiments.withgoogle.com/search?q=tensorflow
    

    View Slide

70. https://deepdreamgenerator.com/
    

    View Slide

71. Casos de estudo
    

    View Slide

72. ● Utiliza o TensorFlow de forma a melhorar a
    experiência dos hóspedes.
    ● Através do Machine Learning conseguiram
    categorizar as imagens das casas
    permitindo agrupar e identificar as várias
    divisões da casa.
    ● Com isto também conseguiram validar as
    características das casas, e por exemplo,
    validar o número de quartos
    https://medium.com/airbnb-engineering/categorizing-listing-photos-at-airbnb-f9483f3ab7e3
    Airbnb
    Casos de estudo
    

    View Slide

73. ● Com a API de detecção de objetos,
    conseguiram rapidamente detetar
    objetos e outras propriedades que
    constituem uma casa, através da
    análise das imagens
    ● Isto permite fornecer ao hóspede a
    hipótese de escolher a casa em
    função das características
    pretendidas
    https://medium.com/airbnb-engineering/categorizing-listing-photos-at-airbnb-f9483f3ab7e3
    Airbnb
    Casos de estudo
    

    View Slide

74. ● A Coca-Cola utilizou machine
    learning para detetar os códigos das
    tampas das garrafas em dispositivos
    móveis
    ● Os OCR’s convencionais não eram
    suficientemente eficazes a ler
    códigos, que por vezes até eram
    difíceis de ler com o olho humano
    https://developers.googleblog.com/2017/09/how-machine-learning-with-tensorflow.html
    Coca-Cola
    Casos de estudo
    

    View Slide

75. ● O PayPal utilizar TensorFlow para estar sempre na vanguarda no que diz
    respeito à deteção de fraudes
    ● Usando TensorFlow, deep transfer learning e generative modeling, o PayPal
    foi capaz de reconhecer cada vez com mais precisão possíveis fraudes
    enquanto que ao mesmo tempo melhora a experiência de utilização aos
    clientes legítimos
    https://medium.com/paypal-engineering
    PayPal
    Casos de estudo
    

    View Slide

76. https://blog.tensorflow.org/2019/03/ranking-tweets-with-tensorflow.html
    Twitter
    Testemunhos
    ● O Twitter usa machine learning para melhorar a feed dos utilizadores
    ● Usando várias variáveis, como quando foi feito o Tweet, o número de
    Retweets ou likes, interações passadas entres os utilizadores, entre outras
    coisas
    ● Permite que seja feita uma ordenação dos Tweets em função das
    preferências do utilizador
    

    View Slide

77. TenserFlow Hub
    

    View Slide

78. https://www.tensorflow.org/hub
    

    View Slide

79. TensorFlow Hub
    ● O TensorFlow Hub é um repositório de modelos de machine learning já
    treinados, prontos a serem utilizados e lançados em qualquer plataforma
    ● Permite utilizar modelos já treinados, tais como o BERT, apenas com algumas
    linhas de código
    ● É aberto a contributos da comunidade
    

    View Slide

80. Abre o Android
    Studio e vamos
    começar a
    programar
    ‍‍
    

    View Slide

81. https://codelabs.developers.google.com/codelabs/recognize-flowers-with-tensorflow-on-android
    

    View Slide

82. http://vision.stanford.edu/aditya86/ImageNetDogs/
    

    View Slide

83. http://vision.stanford.edu/aditya86/ImageNetDogs/
    

    View Slide

84. VS
    Ronda 9
    

    View Slide

85. @Deprecated
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreedsList()
    Deprecated
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    

    View Slide

86. @Deprecated
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreedsList()
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    getBreedsList() : List is deprecated. getBreedsList() : List is deprecated.
    Deprecated
    

    View Slide

87. @Deprecated(
    message = “Use getBreeds() instead”,
    replaceWith = ReplaceWith(“getBreeds()”)
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreedsList()
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    Deprecated
    

    View Slide

88. @Deprecated(
    message = “Use getBreeds() instead”,
    replaceWith = ReplaceWith(“getBreeds()”)
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreedsList()
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    getBreedsList() : List is deprecated.
    Replace with ‘getBreeds()’
    Replace usages of ‘getBreedsList() on List’ in whole project
    Deprecated
    

    View Slide

89. @Deprecated(
    message = “Use getBreeds() instead”,
    replaceWith = ReplaceWith(“getBreeds()”)
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreedsList()
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    getBreedsList() : List is deprecated.
    Replace with ‘getBreeds()’
    Replace usages of ‘getBreedsList() on List’ in whole project
    alt + enter
    Deprecated
    

    View Slide

90. @Deprecated(
    message = “Use getBreeds() instead”,
    replaceWith = ReplaceWith(“getBreeds()”)
    fun getBreedsList(): List {
    // Código
    }
    val breeds = getBreeds()
    @Deprecated
    public List getBreedsList() {
    // Código
    }
    List breeds = getBreedsList();
    getBreedsList() : List is deprecated.
    Deprecated
    

    View Slide

91. fun createDog(name: String, breed: String) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    public void createDog(String name,
    String breed) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    Constructor overloads
    

    View Slide

92. fun createDog(name: String = “unknown”,
    breed: String) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(breed = “Yorkshire Terrier”)
    public void createDog(String name,
    String breed) {}
    public void createDog(String breed) {
    String name = “unknown”
    }
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(“Yorkshire Terrier”)
    Constructor overloads
    

    View Slide

93. fun createDog(name: String = “unknown”,
    breed: String = “unknown”) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(breed = “Yorkshire Terrier”)
    createDog()
    public void createDog(String name,
    String breed) {}
    public void createDog(String breed) {
    String name = “unknown”
    }
    public void createDog() {
    String name = “unknown”
    String breed = “unkown”
    }
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(“Yorkshire Terrier”)
    createDog()
    Constructor overloads
    

    View Slide

94. fun createDog(name: String = “unknown”,
    breed: String = “unknown”) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(breed = “Yorkshire Terrier”)
    createDog()
    public void createDog(String name,
    String breed) {}
    public void createDog(String breed) {
    String name = “unknown”
    }
    public void createDog() {
    String name = “unknown”
    String breed = “unkown”
    }
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(“Yorkshire Terrier”)
    createDog()
    Constructor overloads
    Kotlin, vem dar uma mão nas chamadas a partir de Java
    

    View Slide

95. @JvmOverloads
    fun createDog(name: String = “unknown”,
    breed: String = “unknown”) {}
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(breed = “Yorkshire Terrier”)
    createDog()
    createDog(“Fifi”, “Yorkshire Terrier”)
    createDog(“Yorkshire Terrier”)
    createDog()
    @JvmOverloads
    

    View Slide

96. fun createDog(name: String = “unknown”,
    breed: String = “unknown”) {
    // Código
    }
    Chamar código escrito
    em Kotlin a partir de
    Java
    @JVMOverloads
    .decompiled.java
    

    View Slide

97. @JvmOverloads
    fun createDog(name: String = “unknown”,
    breed: String = “unknown”) {
    // Código
    }
    Chamar código escrito
    em Kotlin a partir de
    Java
    @JVMOverloads
    @JvmOverloads
    public createDog(String name,
    String breed) {}
    @JvmOverloads
    public createDog(String name) {
    createDog(name, “unknown”)
    }
    @JvmOverloads
    public createDog() {
    createDog(“unknown”, “unknown”)
    }
    .decompiled.java
    

    View Slide

98. fun deviceName()
    Chamar código escrito
    em Kotlin a partir de
    Java
    @file:JvmName
    ValuesKt.deviceName();
    Values.kt
    

    View Slide

99. @file:JvmName(“Cat”)
    fun deviceName()
    Chamar código escrito
    em Kotlin a partir de
    Java
    @file:JvmName
    Cat.deviceName();
    Values.kt
    

    View Slide

100. @file:JvmName(“Cat”)
     @file:JvmMultifileClass
     fun deviceName()
     Chamar código escrito
     em Kotlin a partir de
     Java
     @file:JvmMultifileClass
     @file:JvmName(“Cat”)
     @file:JvmMultifileClass
     fun hasBattery()
     Values.kt DeviceInfo.kt
     

     View Slide

101. class Values {
     companion object {
     fun dogs() {}
     }
     }
     Chamar código escrito
     em Kotlin a partir de
     Java
     @JvmStatic
     Valueskt.dogs() // Erro
     Values.dogs() // Erro
     Values.kt
     

     View Slide

102. class Values {
     companion object {
     @JvmStatic
     fun dogs() {}
     }
     }
     Chamar código escrito
     em Kotlin a partir de
     Java
     @JvmStatic
     Values.dogs()
     Values.kt
     

     View Slide

103. Natal
     Photo by Mel Poole Unsplash
     

     View Slide

104. Lottie
     
     Uma biblioteca para Android e iOS que permite
     utilizar as animações criadas com o Adobe After
     Effects (exportadas no formato JSON)
     nativamente no telemóvel.
     https://github.com/airbnb/lottie-android
     

     View Slide

105. AppIntro
     
     https://github.com/AppIntro/AppIntro
     Biblioteca Android que te permite construir muito
     facilmente um ecrã introdutório para a tua app.
     Tens ainda a possibilidade de integrar com o
     sistema de permissões nativo
     

     View Slide

106. Balloon
     
     https://github.com/skydoves/Balloon
     Uma biblioteca muito leve que permite criar
     popups muito facilmente, customizáveis e com
     diferentes animações.
     

     View Slide

107. RecyclerView animators
     
     https://github.com/wasabeef/recyclerview-animators
     Uma biblioteca de animações que podes utilizar
     nas RecyclerView’s da tua aplicação.
     

     View Slide

108. SmallBang
     ❤
     https://github.com/hanks-zyh/SmallBang
     Animação de favoritos numa vista.
     

     View Slide

109. FABProgressCircle
     
     https://github.com/JorgeCastilloPrz/FABProgressCircle
     Animação de progresso em volta de um
     FloatingActionButton.
     

     View Slide

110. AnimatedBottomBar
     
     https://github.com/Droppers/AnimatedBottomBar
     Uma bottom bar customizável com diferentes
     tipos de animações.
     

     View Slide

111. Trabalho Para Casa
     ‍‍
     

     View Slide

112. Trabalho para casa
     ● Adicionar à nossa aplicação a opção de identificar a
     raça de um cão
     ○ Ou se quiserem, vários cães ao mesmo tempo
     1 - Yorkshire Terrier
     2 - Labrador Retriever
     3 - Boxer
     

     View Slide

113. Dúvidas?
     
     

     View Slide

114. Continuamos a
     responder no
     discord
     
     

     View Slide

115. Obrigado
     ‍♀
     

     View Slide

116. Android
     Training
     Program
     PORTUGAL
     Aula #11
     Resumo
     Próxima aula: 16 de Dezembro
     

     View Slide