AutoML Vision Edge

AutoML Vision Edge

Mit AutoML Vision Edge benutzerdefinierte Modelle zur Bildklassifizierung aus Ihren eigenen Trainingsdaten erstellen

Wenn Sie den Inhalt eines Bildes erkennen möchten, können Sie die On-Device Image Labeling API oder die On-Device Object Detection API von ML Kit verwenden. Die von diesen APIs verwendeten Modelle sind für allgemeine Zwecke gedacht und werden trainiert die gängigsten Konzepte in Fotos zu erkennen.

Wenn Sie ein spezielleres Bildbeschriftungs- oder Objekterkennungsmodell benötigen, das einen enger gefassten Bereich abdeckt Konzepte genauer an, z. B. ein Modell, um zwischen Blumen- oder Lebensmittelarten – Sie können Firebase ML und AutoML verwenden. Vision Edge zum Trainieren eines Modells mit eigenen Bildern und Kategorien Der benutzerdefinierte wird in Google Cloud trainiert und sobald das Modell bereit ist, vollständig verwendet auf dem Gerät.

Die AutoML Vision Edge-Features von Firebase ML wurden eingestellt. Erwägen Sie die Verwendung Vertex AI für ML-Modelle automatisch trainieren. Sie können entweder Als TensorFlow exportieren Lite-Modelle für die Nutzung auf dem Gerät oder für cloudbasierte Bereitstellung Inferenz.

Erste Schritte mit Bildlabels Erste Schritte mit der Objekterkennung

Hauptmerkmale

Modelle anhand Ihrer Daten trainieren	Benutzerdefinierte Modelle für Bildbeschriftungen und Objekterkennung automatisch trainieren, um die Ihnen wichtig sind, anhand Ihrer Trainingsdaten zu erkennen.
Integriertes Modellhosting	Hosten Sie Ihre Modelle mit Firebase und laden Sie sie während der Laufzeit. Von Wenn Sie das Modell auf Firebase hosten, können Sie dafür sorgen, dass Nutzer ohne eine neue App-Version zu veröffentlichen. Natürlich können Sie das Modell auch mit Ihrer App bündeln, sofort nach der Installation verfügbar.

AutoML-Modelle in der Cloud ausführen

Auf diesen Seiten wird nur das Generieren von für Mobilgeräte optimierten Modellen erläutert, die auf dem Gerät. Für Modelle mit vielen Tausend Beschriftungen oder wenn eine deutlich höhere Genauigkeit benötigt, können Sie serveroptimiertes Modell in der Cloud erstellen. Rufen Sie hierzu Cloud AutoML Vision APIs direkt verwenden. Weitere Informationen finden Sie unter Eine Onlinevorhersagen

Im Gegensatz zum Ausführen von AutoML Vision Edge-Modellen auf dem Gerät ist Das cloudbasierte AutoML-Modell wird pro Aufruf abgerechnet.

Vorgehensweise bei der Implementierung

	Trainingsdaten zusammenstellen	Erstellen Sie ein Dataset mit Beispielen für jedes Label, das Ihr Modell verwenden soll. erkennen.
	Neues Modell trainieren	Importieren Sie Ihre Trainingsdaten in die Google Cloud-Konsole und verwenden Sie sie zum Trainieren ein neues Modell erstellen.
	Modell in Ihrer App verwenden	Bündeln Sie das Modell mit Ihrer App oder laden Sie es von Firebase herunter, wenn dass es benötigt wird. Verwenden Sie dann das Modell, um den Bildern auf dem Gerät Labels hinzuzufügen.

Preise und Beschränkungen

Zum Trainieren benutzerdefinierter Modelle mit AutoML Vision Edge müssen Sie „Pay as you go“ verwenden (Blaze).

Wichtig: Sie können keine Modelle mit AutoML Vision Edge mehr trainieren, wenn Sie sich im Tarif „Spark“ Wenn Sie im Tarif „Spark“ bereits Modelle trainiert haben, Trainingsdaten und trainierte Modelle sind weiterhin über die Firebase-Konsole im Lesemodus. Wenn du diese Daten behalten möchtest, lade sie herunter vor dem 1. März 2021.

Datasets	Abrechnung gemäß Preise für Cloud Storage
Bilder pro Dataset	1.000.000
Trainingsstunden	Kein Limit pro Modell

Nächste Schritte

• Labeling-Modell für Bilder trainieren
• Objekterkennungsmodell trainieren