با مجموعهها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویتهای شما.
AutoML Vision Edge
plat_iosplat_android
با AutoML Vision Edge مدل‌های طبقه‌بندی تصویر سفارشی را از داده‌های آموزشی خودتان ایجاد کنید.
اگر می‌خواهید محتویات یک تصویر را تشخیص دهید، یکی از گزینه‌ها استفاده از API برچسب‌گذاری تصویر روی دستگاه یا API تشخیص شی در دستگاه کیت ML است. مدل‌های مورد استفاده توسط این APIها برای استفاده عمومی ساخته شده‌اند و برای تشخیص متداول‌ترین مفاهیم در عکس‌ها آموزش دیده‌اند.
اگر به مدل تخصصی‌تری برای برچسب‌گذاری تصویر یا تشخیص اشیا نیاز دارید که دامنه باریک‌تری از مفاهیم را با جزئیات بیشتر پوشش دهد - به عنوان مثال، مدلی برای تمایز بین گونه‌های گل یا انواع غذا - می‌توانید از Firebase ML و AutoML Vision Edge برای آموزش استفاده کنید. مدلی با تصاویر و دسته بندی های خودتان. مدل سفارشی در Google Cloud آموزش داده شده است و پس از آماده شدن مدل، به طور کامل در دستگاه استفاده می شود.
با استفاده از داده‌های آموزشی خود، برچسب‌گذاری تصویر سفارشی و مدل‌های تشخیص شی را به‌طور خودکار آموزش دهید تا برچسب‌هایی را که برایتان مهم هستند تشخیص دهند.
هاست مدل داخلی
مدل های خود را با Firebase میزبانی کنید و آنها را در زمان اجرا بارگذاری کنید. با میزبانی مدل در Firebase، می توانید مطمئن شوید که کاربران آخرین مدل را بدون انتشار نسخه جدید برنامه دارند.
و البته، شما همچنین می توانید مدل را با برنامه خود همراه کنید، بنابراین بلافاصله در هنگام نصب در دسترس است.
مسیر پیاده سازی
جمع آوری داده های آموزشی
مجموعه داده‌ای از نمونه‌هایی از هر برچسبی را که می‌خواهید مدل شما تشخیص دهد، کنار هم قرار دهید.
یک مدل جدید آموزش دهید
در کنسول Google Cloud ، داده های آموزشی خود را وارد کنید و از آن برای آموزش یک مدل جدید استفاده کنید.
از مدل در برنامه خود استفاده کنید
مدل را با برنامه خود همراه کنید یا در صورت نیاز آن را از Firebase دانلود کنید. سپس، از مدل برای برچسب گذاری تصاویر روی دستگاه استفاده کنید.
قیمت گذاری و محدودیت ها
برای آموزش مدل‌های سفارشی با AutoML Vision Edge، باید در برنامه پرداخت هزینه (Blaze) باشید.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],null,["AutoML Vision Edge \nplat_ios plat_android \nCreate custom image classification models from your own training data with AutoML Vision Edge.\n\nIf you want to recognize contents of an image, one option is to use ML Kit's\n[on-device image labeling API](https://developers.google.com/ml-kit/vision/image-labeling)\nor [on-device object detection API](https://developers.google.com/ml-kit/vision/object-detection).\nThe models used by these APIs are built for general-purpose use, and are trained\nto recognize the most commonly-found concepts in photos.\n\nIf you need a more specialized image labeling or object detection model, covering a narrower domain\nof concepts in more detail---for example, a model to distinguish between\nspecies of flowers or types of food---you can use Firebase ML and AutoML\nVision Edge to train a model with your own images and categories. The custom\nmodel is trained in Google Cloud, and once the model is ready, it's used fully\non the device.\n| Firebase ML's AutoML Vision Edge features are deprecated. Consider using [Vertex AI](https://cloud.google.com/vertex-ai/docs/beginner/beginners-guide) to automatically train ML models, which you can either [export as TensorFlow\n| Lite models](https://cloud.google.com/vertex-ai/docs/export/export-edge-model) for on-device use or [deploy for cloud-based\n| inference](https://cloud.google.com/vertex-ai/docs/predictions/overview).\n\n[Get started with image labeling](/docs/ml/ios/train-image-labeler)\n[Get started with object detection](/docs/ml/android/train-object-detector)\n\nKey capabilities\n\n|---------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| Train models based on your data | Automatically train custom image labeling and object detection models to recognize the labels you care about, using your training data. |\n| Built-in model hosting | Host your models with Firebase, and load them at run time. By hosting the model on Firebase, you can make sure users have the latest model without releasing a new app version. And, of course, you can also bundle the model with your app, so it's immediately available on install. |\n\n| **Running AutoML models in the cloud**\n|\n| These pages only discuss generating mobile-optimized models intended to run\n| on the device. However, for models with many thousands of labels or when\n| significantly higher accuracy is required, you might want to run a\n| server-optimized model in the cloud instead, which you can do by calling the\n| Cloud AutoML Vision APIs directly. See\n| [Making an\n| online prediction](https://cloud.google.com/vision/automl/docs/predict).\n|\n| Note that unlike running AutoML Vision Edge models on device, running a\n| cloud-based AutoML model is billed per invocation.\n\nImplementation path\n\n|---|---------------------------|----------------------------------------------------------------------------------------------------------------------------------|\n| | Assemble training data | Put together a dataset of examples of each label you want your model to recognize. |\n| | Train a new model | In the Google Cloud console, import your training data and use it to train a new model. |\n| | Use the model in your app | Bundle the model with your app or download it from Firebase when it's needed. Then, use the model to label images on the device. |\n\nPricing \\& Limits\n\nTo train custom models with AutoML Vision Edge, you must be on the pay-as-you-go\n(Blaze) plan.\n| **Important:** You can no longer train models with AutoML Vision Edge while on the Spark plan. If you previously trained models while on the Spark plan, your training data and trained models are still accessible from the Firebase console in read-only mode. If you want to keep this data download it before March 1, 2021.\n\n| Datasets | Billed according to [Cloud Storage rates](https://cloud.google.com/storage/pricing) |\n| Images per dataset | 1,000,000 |\n| Training hours | No per-model limit |\n|--------------------|-------------------------------------------------------------------------------------|\n\nNext steps\n\n- Learn how to [train an image labeling model](/docs/ml/train-image-labeler).\n- Learn how to [train an object detection model](/docs/ml/train-object-detector)."]]
