ML Kit dla Firebase

ML Kit dla Firebase

Używaj w swoich aplikacjach systemów uczących się, aby rozwiązywać rzeczywiste problemy.

Na tej stronie opisano starszą wersję tego pakietu SDK o nazwie ML Kit Firebase. Funkcje tego pakietu SDK zostały podzielone na:

• Firebase ML, który obejmuje wszystkie komponenty Firebase ML w chmurze.
• ML Kit, samodzielna biblioteka do tworzenia systemów uczących się na urządzeniu, której możesz używać z Firebase lub bez niego.

ML Kit to mobilny pakiet SDK, dzięki któremu zasoby systemów uczących się opracowane przez Google Aplikacje na Androida i iOS w wydajnym i łatwym w obsłudze pakiecie. Niezależnie od tego, czy dopiero zaczynasz swoją przygodę z systemami uczącymi się, czy też masz już w tej dziedzinie duże doświadczenie, możesz wdrożyć potrzebne funkcje za pomocą zaledwie kilku linii kodu. Nie potrzeba dogłębnej wiedzy sieci neuronowe lub optymalizację modeli. Z drugiej strony, jeśli to doświadczony programista ML, który zapewnia wygodne interfejsy API, używasz niestandardowych modeli TensorFlow Lite w aplikacjach mobilnych.

To jest wersja beta ML Kit dla Firebase. Ten Interfejs API może ulec zmianie w sposób niezapewniający wstecznej kompatybilności i nie podlega żadnym Gwarancja jakości usług lub zasady wycofywania.

Najważniejsze funkcje

Gotowość do wdrożenia w typowych przypadkach użycia	ML Kit zawiera zestaw gotowych do użycia interfejsów API do typowych zastosowań na urządzeniach mobilnych przypadki: rozpoznawanie tekstu, wykrywanie twarzy, rozpoznawanie punktów orientacyjnych, skanowanie dzięki kodom kreskowym, oznaczaniu obrazów i identyfikacją języka tekstu. Po prostu przekazują dane do biblioteki ML Kit, dzięki czemu masz dostęp do informacji potrzeby.
Na urządzeniu lub w chmurze	Wybrane przez ML Kit interfejsy API, które działają na urządzeniu lub w chmurze. Nasze interfejsy API na urządzeniu mogą szybko przetwarzać dane i działać nawet wtedy, gdy nie ma połączenia z internetem. Z kolei nasze interfejsy API działające w chmurze wykorzystaj możliwości technologii systemów uczących się, z których korzysta Google Cloud aby uzyskać jeszcze większą dokładność.
Wdrażanie modeli niestandardowych	Jeśli interfejsy API ML Kit nie obsługują Twoich przypadków użycia, możesz zawsze użyć własnych istniejących modeli TensorFlow Lite. Po prostu prześlij swój model do Firebase, a my zajmiemy się hostingiem i udostępnianiem jej w Twojej aplikacji. ML Kit działa jak warstwa interfejsu API Twojego modelu niestandardowego, ułatwiając do uruchamiania i używania.

Jak to działa?

Pakiet ML Kit ułatwia stosowanie technik uczenia maszynowego w aplikacjach, ponieważ łączy w jednym pakiecie SDK technologie uczenia maszynowego Google, takie jak interfejs Google Cloud Vision API, TensorFlow Lite i interfejs API Android Neural Networks. Niezależnie od tego, czy potrzebna jest moc przetwarzania w chmurze, możliwości w czasie rzeczywistym modeli zoptymalizowanych pod kątem urządzeń mobilnych lub i elastycznych niestandardowych modeli TensorFlow Lite, co umożliwia korzystanie z ML Kit za pomocą kilku linijek kodu.

Jakie funkcje są dostępne na urządzeniu lub w chmurze?

Funkcja	Na urządzeniu	Chmura
Rozpoznawanie tekstu
Wykrywanie twarzy
Skanowanie kodów kreskowych
Oznaczanie obrazów etykietami
Wykrywanie obiektów śledzenie
Rozpoznawanie punktów orientacyjnych
Identyfikacja języka
Tłumaczenie
Inteligentna odpowiedź
Wnioskowanie modelu AutoML
Wykorzystanie niestandardowego modelu

Korzystanie z pakietu ML Kit do uzyskiwania dostępu do funkcji Cloud ML podlega Licencja na Google Cloud Platform Umowa i Usługa szczegółowe warunki wraz z opłatami. Informacje rozliczeniowe znajdziesz w na stronie Cennik w Firebase.

Ścieżka implementacji

	Integracja pakietu SDK	Możesz szybko dodać pakiet SDK za pomocą Gradle lub CocoaPods.
	Przygotowywanie danych wejściowych	Jeśli na przykład korzystasz z funkcji rozpoznawania obrazów, zrób zdjęcie Camera i generowania niezbędnych metadanych, takich jak obrót obrazu czy prompt użytkownik wybiera zdjęcie ze swojej galerii.
	Stosowanie modelu ML do danych	Stosując model ML do swoich danych, generujesz obserwacje takie jak: stan emocjonalny wykrytych twarzy lub obiektów i koncepcji, rozpoznane na zdjęciu w zależności od użytej funkcji. Użyj tych statystyki dotyczące funkcji aplikacji, takich jak ozdabianie zdjęć, automatyczne metadanych i wiele innych.

Dalsze kroki

• Poznaj gotowe do użycia interfejsy API: rozpoznawanie tekstu, wykrywanie twarzy, skanowanie kodów kreskowych, oznaczanie obrazów, wykrywanie obiektów śledzenie, rozpoznawalność za pomocą punktów orientacyjnych, Inteligentna odpowiedź, tłumaczenie oraz identyfikacja języka.
• Wytrenuj własny model oznaczania obrazów etykietami za pomocą AutoML Vision Edge.
• Dowiedz się więcej o korzystaniu z modeli niestandardowych zoptymalizowanych pod kątem urządzeń mobilnych w .