קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
ערכת ML ל-Firebase
plat_iosplat_android
שימוש בלמידת מכונה באפליקציות שלכם כדי לפתור בעיות בעולם האמיתי.
ML Kit היא ערכת SDK לנייד שמאפשרת ל-Google להשתמש במומחיות בלמידת מכונה
אפליקציות ל-Android ול-iOS בחבילה רבת-עוצמה אך קלה לשימוש. האם אתם חדשים
או שאתם כבר מנוסים בלמידת מכונה, אפשר להטמיע את הפונקציונליות.
תצטרכו רק כמה שורות קוד. לא צריך להיות ידע מעמיק
רשתות נוירונים או אופטימיזציה של מודלים כדי להתחיל. לעומת זאת, אם
הם מפתחים מנוסים של למידת מכונה, ו-ML Kit מספק ממשקי API נוחים שעוזרים
משתמשים במודלים המותאמים אישית של TensorFlow Lite באפליקציות לנייד.
יכולות עיקריות
מוכנים לסביבת ייצור לתרחישים נפוצים לדוגמה
ML Kit מגיע עם קבוצה של ממשקי API מוכנים לשימוש לשימוש נפוץ בנייד
מקרים: זיהוי טקסט, זיהוי פנים, זיהוי ציוני דרך, סריקה
ברקודים, הוספת תוויות לתמונות וזיהוי שפת הטקסט. פשוט
להעביר נתונים לספריית ML Kit והיא מספקת את המידע
צריכים.
במכשיר או בענן
ה-APIs של ML Kit פועלים במכשיר או בענן. שלנו
ממשקי API במכשיר יכולים לעבד את הנתונים שלכם במהירות ולפעול, גם כאשר
אין חיבור לרשת. מצד שני, ממשקי ה-API שלנו מבוססי-הענן
ממנפים את העוצמה של טכנולוגיית למידת המכונה של Google Cloud
כדי לספק לכם רמת דיוק גבוהה יותר.
פריסת מודלים מותאמים אישית
אם ממשקי ה-API של ML Kit לא מכסים את התרחישים לדוגמה שלכם, תמיד אפשר להעביר
בדגמים קיימים של TensorFlow Lite. פשוט מעלים את המודל אל
Firebase, ואנחנו נטפל באירוח ובהצגה שלו באפליקציה שלכם.
ML Kit משמש כשכבת API למודל המותאם אישית שלכם, וכך קל יותר
להפעיל ולהשתמש.
איך זה עובד?
עם ML Kit קל ליישם טכניקות למידת מכונה באפליקציות שלכם
טכנולוגיות למידת מכונה,
Google Cloud Vision API,
TensorFlow Lite,
API לרשתות נוירונים של Android
ב-SDK אחד. בין אם אתם זקוקים לעוצמה של עיבוד מבוסס-ענן, ליכולות בזמן אמת של מודלים במכשיר שמותאמים לנייד או לגמישות של מודלים מותאמים אישית של TensorFlow Lite, ML Kit מאפשר לכם לעשות זאת באמצעות כמה שורות קוד בלבד.
ניתן לכלול במהירות את ה-SDK באמצעות Gradle או CocoaPods.
הכנת נתוני קלט
לדוגמה, אם משתמשים בתכונת ראייה, צלם תמונה
של המצלמה וליצור את המטא-נתונים הנדרשים כמו סיבוב תמונה או הנחיה
לבחור תמונה מהגלריה.
החלת מודל ה-ML על הנתונים
כשמחילים את מודל למידת המכונה (ML) על הנתונים, אפשר ליצור תובנות כמו
את המצב הרגשי של פנים שזוהו או את האובייקטים והמושגים
שמזוהה בתמונה, בהתאם לתכונה שבה השתמשתם. שימוש באלה
תובנות שיעזרו לך לשפר את התכונות באפליקציה, כמו עיטורים של תמונות, פעולות אוטומטיות
מטא-נתונים, או כל דבר אחר שתרצו.
[null,null,["עדכון אחרון: 2025-07-25 (שעון UTC)."],[],[],null,["ML Kit for Firebase \nplat_ios plat_android \nUse machine learning in your apps to solve real-world problems.\n\nML Kit is a mobile SDK that brings Google's machine learning expertise to\nAndroid and iOS apps in a powerful yet easy-to-use package. Whether you're new\nor experienced in machine learning, you can implement the functionality\nyou need in just a few lines of code. There's no need to have deep knowledge of\nneural networks or model optimization to get started. On the other hand, if you\nare an experienced ML developer, ML Kit provides convenient APIs that help\nyou use your custom TensorFlow Lite models in your mobile apps.\n| This is a beta release of ML Kit for Firebase. This API might be changed in backward-incompatible ways and is not subject to any SLA or deprecation policy.\n\nKey capabilities\n\n|---------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| Production-ready for common use cases | ML Kit comes with a set of ready-to-use APIs for common mobile use cases: recognizing text, detecting faces, identifying landmarks, scanning barcodes, labeling images, and identifying the language of text. Simply pass in data to the ML Kit library and it gives you the information you need. |\n| On-device or in the cloud | ML Kit's selection of APIs run on-device or in the cloud. Our on-device APIs can process your data quickly and work even when there's no network connection. Our cloud-based APIs, on the other hand, leverage the power of Google Cloud's machine learning technology to give you an even higher level of accuracy. |\n| Deploy custom models | If ML Kit's APIs don't cover your use cases, you can always bring your own existing TensorFlow Lite models. Just upload your model to Firebase, and we'll take care of hosting and serving it to your app. ML Kit acts as an API layer to your custom model, making it simpler to run and use. |\n\nHow does it work?\n\nML Kit makes it easy to apply ML techniques in your apps by bringing Google's\nML technologies, such as the\n[Google Cloud Vision API](https://cloud.google.com/vision/),\n[TensorFlow Lite](https://www.tensorflow.org/mobile/tflite/), and the\n[Android Neural Networks API](https://developer.android.com/ndk/guides/neuralnetworks/)\ntogether in a single SDK. Whether you need the power of cloud-based processing,\nthe real-time capabilities of mobile-optimized on-device models, or the\nflexibility of custom TensorFlow Lite models, ML Kit makes it possible with\njust a few lines of code.\n\nWhat features are available on device or in the cloud?\n\n| Feature | On-device | Cloud |\n|---------------------------------------------------------------|-----------|-------|\n| [Text recognition](/docs/ml-kit/recognize-text) | | |\n| [Face detection](/docs/ml-kit/detect-faces) | | |\n| [Barcode scanning](/docs/ml-kit/read-barcodes) | | |\n| [Image labeling](/docs/ml-kit/label-images) | | |\n| [Object detection \\& tracking](/docs/ml-kit/object-detection) | | |\n| [Landmark recognition](/docs/ml-kit/recognize-landmarks) | | |\n| [Language identification](/docs/ml-kit/identify-languages) | | |\n| [Translation](/docs/ml-kit/translation) | | |\n| [Smart Reply](/docs/ml-kit/generate-smart-replies) | | |\n| [AutoML model inference](/docs/ml-kit/automl-image-labeling) | | |\n| [Custom model inference](/docs/ml-kit/use-custom-models) | | |\n\n| Use of ML Kit to access Cloud ML functionality is subject to the [Google Cloud Platform License\n| Agreement](https://cloud.google.com/terms/) and [Service\n| Specific Terms](https://cloud.google.com/terms/service-terms), and billed accordingly. For billing information, see the Firebase [Pricing](/pricing) page.\n\nImplementation path\n\n|---|---------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| | Integrate the SDK | Quickly include the SDK using Gradle or CocoaPods. |\n| | Prepare input data | For example, if you're using a vision feature, capture an image from the camera and generate the necessary metadata such as image rotation, or prompt the user to select a photo from their gallery. |\n| | Apply the ML model to your data | By applying the ML model to your data, you generate insights such as the emotional state of detected faces or the objects and concepts that were recognized in the image, depending on the feature you used. Use these insights to power features in your app like photo embellishment, automatic metadata generation, or whatever else you can imagine. |\n\nNext steps\n\n- Explore the ready-to-use APIs: [text recognition](/docs/ml-kit/recognize-text), [face detection](/docs/ml-kit/detect-faces), [barcode scanning](/docs/ml-kit/read-barcodes), [image labeling](/docs/ml-kit/label-images), [object detection \\& tracking](/docs/ml-kit/object-detection), [landmark recognition](/docs/ml-kit/recognize-landmarks), [Smart Reply](/docs/ml-kit/generate-smart-replies), [translation](/docs/ml-kit/translation), and [language identification](/docs/ml-kit/identify-languages).\n- Train your own image labeling model with [AutoML Vision Edge](/docs/ml-kit/automl-image-labeling).\n- Learn about using mobile-optimized [custom models](/docs/ml-kit/use-custom-models) in your app."]]
