ขอบการมองเห็น AutoML
สร้างโมเดลการจัดประเภทรูปภาพแบบกำหนดเองจากข้อมูลการฝึกอบรมของคุณเองด้วย AutoML Vision Edge
หากคุณต้องการรับรู้เนื้อหาของรูปภาพ ทางเลือกหนึ่งคือการใช้ API การติดฉลากรูปภาพในอุปกรณ์ของ ML Kit หรือ API การตรวจจับวัตถุในอุปกรณ์ โมเดลที่ใช้โดย API เหล่านี้สร้างขึ้นเพื่อการใช้งานทั่วไป และได้รับการฝึกให้จดจำแนวคิดที่พบได้บ่อยที่สุดในภาพถ่าย
หากคุณต้องการการติดฉลากรูปภาพหรือโมเดลการตรวจจับวัตถุที่เฉพาะเจาะจงมากขึ้น ซึ่งครอบคลุมขอบเขตแนวคิดที่แคบกว่าในรายละเอียดที่มากขึ้น เช่น โมเดลเพื่อแยกความแตกต่างระหว่างสายพันธุ์ของดอกไม้หรือประเภทของอาหาร คุณสามารถใช้ Firebase ML และ AutoML Vision Edge เพื่อฝึก โมเดลที่มีรูปภาพและหมวดหมู่ของคุณเอง โมเดลที่กำหนดเองได้รับการฝึกฝนใน Google Cloud และเมื่อโมเดลพร้อมแล้ว ก็จะนำไปใช้กับอุปกรณ์อย่างเต็มรูปแบบ
ความสามารถที่สำคัญ
| ฝึกโมเดลตามข้อมูลของคุณ | ฝึกโมเดลการติดฉลากรูปภาพแบบกำหนดเองและการตรวจจับวัตถุโดยอัตโนมัติเพื่อจดจำป้ายกำกับที่คุณสนใจ โดยใช้ข้อมูลการฝึกของคุณ |
| โฮสต์โมเดลในตัว | โฮสต์โมเดลของคุณด้วย Firebase และโหลดในขณะรันไทม์ เมื่อโฮสต์โมเดลบน Firebase คุณจะมั่นใจได้ว่าผู้ใช้มีโมเดลล่าสุดโดยไม่ต้องออกแอปเวอร์ชันใหม่ และแน่นอน คุณยังสามารถรวมโมเดลเข้ากับแอปของคุณ เพื่อให้ติดตั้งได้ทันที |
เส้นทางการใช้งาน
| รวบรวมข้อมูลการฝึกอบรม | รวบรวมชุดข้อมูลตัวอย่างของแต่ละป้ายกำกับที่คุณต้องการให้โมเดลของคุณรู้จัก | |
| ฝึกฝนโมเดลใหม่ | ใน Google Cloud Console ให้นำเข้าข้อมูลการฝึกของคุณและใช้เพื่อฝึกโมเดลใหม่ | |
| ใช้โมเดลในแอปของคุณ | รวมโมเดลเข้ากับแอปของคุณหรือดาวน์โหลดจาก Firebase เมื่อจำเป็น จากนั้นใช้โมเดลเพื่อติดฉลากรูปภาพบนอุปกรณ์ |
ราคาและขีดจำกัด
หากต้องการฝึกโมเดลแบบกำหนดเองด้วย AutoML Vision Edge คุณต้องใช้แผนจ่ายตามการใช้งานจริง (Blaze)
| ชุดข้อมูล | เรียกเก็บเงินตาม อัตรา Cloud Storage |
|---|---|
| รูปภาพต่อชุดข้อมูล | 1,000,000 |
| ชั่วโมงการฝึกอบรม | ไม่จำกัดรุ่น |
ขั้นตอนถัดไป
- เรียนรู้วิธี ฝึกโมเดลการติดฉลากรูปภาพ
- เรียนรู้วิธี ฝึกโมเดลการตรวจจับวัตถุ