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.
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. |
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).
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 .