Krawędź wizji AutoML

Krawędź wizji AutoML

Twórz niestandardowe modele klasyfikacji obrazów na podstawie własnych danych treningowych za pomocą AutoML Vision Edge.

Jeśli chcesz rozpoznać zawartość obrazu, jedną z opcji jest użycie wbudowanego w urządzenie interfejsu API etykietowania obrazów lub interfejsu API wykrywania obiektów ML Kit. Modele używane przez te interfejsy API są budowane do użytku ogólnego i są przeszkolone w zakresie rozpoznawania najczęściej spotykanych koncepcji na zdjęciach.

Jeśli potrzebujesz bardziej wyspecjalizowanego modelu etykietowania obrazów lub wykrywania obiektów, obejmującego bardziej szczegółowo węższą dziedzinę pojęć — na przykład modelu rozróżniającego gatunki kwiatów lub rodzaje żywności — możesz użyć Firebase ML i AutoML Vision Edge do szkolenia model z własnymi obrazami i kategoriami. Model niestandardowy jest szkolony w Google Cloud, a gdy jest już gotowy, jest w pełni wykorzystywany na urządzeniu.

Funkcje AutoML Vision Edge Firebase ML są przestarzałe. Rozważ użycie Vertex AI do automatycznego uczenia modeli ML, które możesz wyeksportować jako modele TensorFlow Lite do użytku na urządzeniu lub wdrożyć na potrzeby wnioskowania w chmurze .

Rozpocznij od etykietowania obrazów Rozpocznij od wykrywania obiektów

Kluczowe możliwości

Trenuj modele na podstawie swoich danych	Automatycznie trenuj niestandardowe modele etykietowania obrazów i wykrywania obiektów, aby rozpoznawały etykiety, na których Ci zależy, korzystając z danych szkoleniowych.
Wbudowany hosting modeli	Hostuj swoje modele w Firebase i ładuj je w czasie wykonywania. Hostując model w Firebase, możesz mieć pewność, że użytkownicy mają najnowszy model bez konieczności wydawania nowej wersji aplikacji. Oczywiście możesz także połączyć model z aplikacją, aby był natychmiast dostępny po zainstalowaniu.

Uruchamianie modeli AutoML w chmurze

Na tych stronach omówiono jedynie generowanie modeli zoptymalizowanych pod kątem urządzeń mobilnych, które mają działać na urządzeniu. Jednak w przypadku modeli zawierających wiele tysięcy etykiet lub gdy wymagana jest znacznie większa dokładność, zamiast tego warto uruchomić model zoptymalizowany pod kątem serwera w chmurze, co można zrobić, wywołując bezpośrednio interfejsy API Cloud AutoML Vision. Zobacz Dokonywanie prognoz online .

Należy pamiętać, że w przeciwieństwie do uruchamiania modeli AutoML Vision Edge na urządzeniu, uruchamianie modelu AutoML w chmurze jest rozliczane za każde wywołanie.

Ścieżka realizacji

	Zbierz dane szkoleniowe	Utwórz zbiór danych zawierający przykłady każdej etykiety, którą chcesz rozpoznawać w modelu.
	Trenuj nowy model	W Google Cloud Console zaimportuj dane treningowe i użyj ich do wytrenowania nowego modelu.
	Użyj modelu w swojej aplikacji	Połącz model ze swoją aplikacją lub pobierz go z Firebase, jeśli zajdzie taka potrzeba. Następnie użyj modelu do etykietowania obrazów na urządzeniu.

Ceny i limity

Aby trenować niestandardowe modele za pomocą AutoML Vision Edge, musisz korzystać z planu płatności zgodnie z rzeczywistym użyciem (Blaze).

Ważne: w ramach planu Spark nie można już trenować modeli za pomocą AutoML Vision Edge. Jeśli wcześniej trenowałeś modele w planie Spark, Twoje dane szkoleniowe i wyszkolone modele są nadal dostępne z konsoli Firebase w trybie tylko do odczytu. Jeśli chcesz zachować te dane, pobierz je przed 1 marca 2021 r.

Zbiory danych	Rozliczane według stawek za przechowywanie w chmurze
Obrazy na zbiór danych	1 000 000
Godziny szkolenia	Brak limitu na model

Następne kroki

• Dowiedz się, jak wytrenować model etykietowania obrazów .
• Dowiedz się, jak trenować model wykrywania obiektów .