AutoML Vision Edge

AutoML Vision Edge

Twórz niestandardowe modele klasyfikacji obrazów na podstawie własnych danych treningowych przy użyciu AutoML Vision Edge.

Jeśli chcesz rozpoznawać zawartość obrazu, możesz na przykład użyć funkcji ML Kit interfejs API do tworzenia etykiet obrazów na urządzeniu i interfejs API wykrywania obiektów na urządzeniu. Modele wykorzystywane przez te interfejsy API są przeznaczone do ogólnego użytku i są trenowane aby rozpoznawać najczęściej występujące na zdjęciach pojęcia.

Jeśli potrzebujesz bardziej wyspecjalizowanego modelu oznaczania obrazów lub wykrywania obiektów, który obejmuje węższą domenę bardziej szczegółowo omawiają koncepcje, takich jak model rozróżniania gatunków kwiatów lub rodzajów pożywienia – możesz skorzystać z Firebase ML i AutoML Vision Edge, aby wytrenować model z własnymi obrazami i kategoriami. Niestandardowy model jest trenowany w Google Cloud, a gdy będzie gotowy, będzie w pełni używany na urządzeniu.

Funkcje AutoML Vision Edge w Firebase ML zostały wycofane. Rozważ użycie Vertex AI w automatycznie trenować modele ML, które możesz wyeksportuj jako TensorFlow Modele Lite do użytku na urządzeniu lub wdrażaj w chmurze wnioskowanie.

Pierwsze kroki z oznaczaniem obrazów etykietami Pierwsze kroki z wykrywaniem obiektów

Najważniejsze funkcje

Trenuj modele na podstawie danych	Automatycznie trenuj modele oznaczania obrazów i wykrywania obiektów, aby dzięki danym treningowym możesz rozpoznawać etykiety, na których Ci zależy.
Wbudowany hosting modeli	Hostuj swoje modele w Firebase i wczytuj je w czasie działania. Według hostując model w Firebase, możesz mieć pewność, że użytkownicy mają dostęp do najnowszych wersji bez publikowania nowej wersji aplikacji. Możesz też oczywiście połączyć model z aplikacją, dostępne od razu po instalacji.

Uruchamianie modeli AutoML w chmurze

Na tych stronach omawiamy wyłącznie generowanie modeli zoptymalizowanych pod kątem urządzeń mobilnych, które mają działać na urządzeniu. Jednak w przypadku modeli z tysiącami etykiet lub gdy wymagana jest znacznie większa dokładność, warto uruchomić zoptymalizowany pod kątem serwera model w chmurze. Można to zrobić, wywołując metodę bezpośrednio w Cloud AutoML Vision API. Zobacz Tworzenie do prognozowania online.

Pamiętaj, że w przeciwieństwie do modeli AutoML Vision Edge na urządzeniu model AutoML działający w chmurze jest rozliczany za każde wywołanie.

Ścieżka implementacji

	Zbieranie danych do trenowania	Utwórz zbiór danych z przykładami każdej etykiety, którą ma mieć model rozpoznania.
	Trenowanie nowego modelu	Zaimportuj dane treningowe w konsoli Google Cloud i użyj ich do trenowania i stworzyć nowy model.
	Użyj modelu w aplikacji	Połącz model z aplikacją lub pobierz go z Firebase, gdy jest potrzebna. Następnie użyj modelu, aby oznaczyć obrazy etykietami na urządzeniu.

Ceny Limity

Aby trenować modele niestandardowe za pomocą AutoML Vision Edge, musisz korzystać z płatności według wykorzystania (Blaze).

Ważne: nie można już trenować modeli za pomocą AutoML Vision Edge, jeśli Plan Spark. Jeśli modele zostały już wytrenowane w ramach abonamentu Spark, dane treningowe i wytrenowane modele są nadal dostępne w konsola Firebase w trybie tylko do odczytu. Jeśli chcesz je zachować, pobierz je przed 1 marca 2021 roku.

Zbiory danych	Rozliczanie wg Ceny za Cloud Storage
Liczba obrazów na zbiór danych	1 000 000
Godziny trenowania	Brak limitu na model

Dalsze kroki

• Dowiedz się, jak wytrenować model dodawania etykiet do obrazów.
• Dowiedz się, jak wytrenować model wykrywania obiektów.