AutoML 視覺邊緣

AutoML 視覺邊緣

使用 AutoML Vision Edge 從您自己的訓練數據創建自定義圖像分類模型。

如果要識別圖像的內容，一種選擇是使用 ML Kit 的設備上圖像標記 API或設備上對象檢測 API 。這些 API 使用的模型是為通用目的而構建的，並且經過訓練可以識別照片中最常見的概念。

如果您需要更專業的圖像標記或對象檢測模型，更詳細地涵蓋更窄的概念領域——例如，區分花的種類或食物類型的模型——你可以使用 Firebase ML 和 AutoML Vision Edge 來訓練具有您自己的圖像和類別的模型。自定義模型在 Google Cloud 中進行訓練，模型準備就緒後，即可在設備上完全使用。

Firebase ML 的 AutoML Vision Edge 功能已棄用。考慮使用Vertex AI自動訓練 ML 模型，您可以將其導出為 TensorFlow Lite 模型以供在設備上使用或部署以進行基於雲的推理。

圖像標記入門 對象檢測入門

關鍵能力

根據您的數據訓練模型	使用您的訓練數據自動訓練自定義圖像標籤和對象檢測模型以識別您關心的標籤。
內置模型託管	使用 Firebase 託管您的模型，並在運行時加載它們。通過在 Firebase 上託管模型，您可以確保用戶擁有最新的模型，而無需發布新的應用程序版本。 當然，您也可以將該模型與您的應用程序捆綁在一起，以便在安裝時立即可用。

在雲端運行 AutoML 模型

這些頁面僅討論生成旨在在設備上運行的移動優化模型。但是，對於具有數千個標籤的模型或需要更高的準確度時，您可能希望改為在雲中運行服務器優化模型，這可以通過直接調用 Cloud AutoML Vision API 來實現。請參閱進行在線預測。

請注意，與在設備上運行 AutoML Vision Edge 模型不同，運行基於雲的 AutoML 模型是按調用計費的。

實現路徑

	組裝訓練數據	將您希望模型識別的每個標籤的示例數據集放在一起。
	訓練新模型	在 Google Cloud Console 中，導入您的訓練數據並使用它來訓練新模型。
	在您的應用中使用該模型	將模型與您的應用捆綁在一起，或在需要時從 Firebase 下載。然後，使用該模型在設備上標記圖像。

定價和限制

要使用 AutoML Vision Edge 訓練自定義模型，您必須採用即用即付 (Blaze) 計劃。

重要提示：在使用 Spark 計劃時，您不能再使用 AutoML Vision Edge 訓練模型。如果您之前在使用 Spark 計劃時訓練過模型，您的訓練數據和訓練過的模型仍然可以從 Firebase 控制台以只讀模式訪問。如果您想保留此數據，請在 2021 年 3 月 1 日之前下載。

數據集	根據Cloud Storage 費率計費
每個數據集的圖像	1,000,000
培訓時間	沒有每個型號的限制

下一步

• 了解如何訓練圖像標記模型。
• 了解如何訓練對象檢測模型。