在 2024 年演示日活动中，观看有关如何使用 Firebase 构建和运行 AI 赋能应用的演示。立即观看。

本頁面由 Cloud Translation API 翻譯而成。

使用 AutoML Vision Edge 訓練物件偵測模型

物件偵測模型與圖像標籤模型類似，但不會為整個圖片指派標籤，而是為圖片區域指派標籤。您可以使用物件偵測模型，在圖片中辨識及定位物件，或追蹤一系列圖片中的物件移動情形。

如要訓練物件偵測模型，您必須提供一組含有對應物件標籤和物件邊界的圖片給 AutoML Vision Edge。AutoML Vision Edge 會在雲端使用這個資料集訓練新模型，方便您用於裝置端物件偵測。

事前準備

如果您還沒有 Firebase 專案，請在 Firebase 控制台中建立。
熟悉「包容性機器學習指南 - AutoML」中的指南。
如果您只想試用 AutoML Vision Edge，但沒有自己的訓練資料，請下載以下任一資料集範例：
- TensorFlow 的建議資料集之一。
- 在 Kaggle 上託管的資料集。

1. 組合訓練資料

首先，您需要將標記圖片組合成訓練資料集。請留意下列準則：

圖片格式必須是 JPEG、PNG、GIF、BMP 或 ICO。
每張圖片的大小不得超過 30 MB。請注意，AutoML Vision Edge 會在預處理期間縮小大部分圖片，因此提供解析度極高的圖片通常不會提高準確度。
每個標籤至少提供 10 個示例，最好是 100 個以上。
為每個標籤提供多個角度、解析度和背景。
訓練資料應儘可能貼近要用來進行預測的資料。舉例來說，如果用途包含模糊和低解析度的圖片 (例如監視攝影機拍攝的圖片)，則訓練資料也應包含模糊和低解析度的圖片。
AutoML Vision Edge 產生的模型已針對現實世界中的物件相片進行最佳化處理。但可能無法處理 X 光片、手繪圖、掃描文件、收據等。

此外，模型通常無法預測人類無法指派的標籤。因此，如果無法訓練人類在觀看圖片 1-2 秒後指派標籤，則可能也無法訓練模型這麼做。

準備好訓練圖片後，請將圖片匯入 Google Cloud。您可以採用兩種方法：

做法 1：使用 CSV 索引的 Cloud Storage

將訓練圖片上傳至 Google Cloud Storage，然後備妥列出每張圖片網址的 CSV 檔案，並備妥每張圖片的正確物件標籤和定界區域。使用大型資料集時，這個選項會很實用。

舉例來說，您可以將圖片上傳至 Cloud Storage，並準備以下格式的 CSV 檔案：

gs://your-training-data-bucket/001.jpg,accordion,0.2,0.4,,,0.3,0.5,,
gs://your-training-data-bucket/001.jpg,tuba,0.2,0.5,,,0.4,0.8,,
gs://your-training-data-bucket/002.jpg,accordion,0.2,0.2,,,0.9,0.8,,

物件定界框會在圖片中指定為相對座標。請參閱「格式化訓練資料 CSV」一文。

圖片必須儲存在 us-central1 區域和 Firebase 專案相應 Google Cloud 專案中的值區。

選項 2：未標示的圖片

上傳訓練圖片後，請在 Google Cloud 主控台中標示圖片，並繪製物件邊界。這項做法只適用於小型資料集。請參閱下一步。

2. 訓練模型

接著，請使用圖片訓練模型：

在 Google Cloud 控制台中開啟「Vision Datasets」頁面。畫面出現提示時，請選取專案。
按一下「New dataset」(新增資料集)，提供資料集的名稱，選取要訓練的模型類型，然後按一下「Create dataset」(建立資料集)。
在資料集的「Import」分頁中，上傳訓練圖片、訓練圖片的 ZIP 封存檔，或包含您上傳圖片的 Cloud Storage 位置的 CSV 檔案。請參閱「彙整訓練資料」一節。
匯入工作完成後，請使用「Images」分頁標籤驗證訓練資料。
如果您沒有上傳 CSV 檔案，請為每張圖片在要辨識的物件周圍繪製定界框，並為每個物件加上標籤。

點選「訓練」分頁中的「開始訓練」。

為模型命名，並選取「Edge」模型類型。

設定下列訓練設定，這些設定會控管產生的模型效能：

針對以下項目改善模型成效：

要使用的模型設定。如果您重視低延遲或小型套件，可以訓練速度較快、體積較小的模型；如果您最重視準確度，則可以訓練速度較慢、體積較大的模型。

節點時數預算

訓練模型的最大時間 (以運算小時為單位)。訓練時間越長，模型的準確度通常就越高。

請注意，如果系統判定模型已達到最佳化，且額外訓練無法提高準確度，訓練可能會在指定時間內完成。系統只會根據實際使用時數向您收取費用。

一般訓練時間
極小組合	1 小時
500 張圖片	2 小時
1,000 張圖片	3 小時
5,000 張圖片	6 小時
10,000 張圖片	7 小時
50,000 張圖片	11 小時
100,000 張圖片	13 小時
1,000,000 張圖片	18 小時

3. 評估模型

訓練完成後，您可以按一下「Evaluate」分頁標籤，查看模型的效能指標。

這個頁面的重要用途之一，就是判斷最適合模型的可信度門檻。可信度門檻是指模型為圖片指派標籤時必須達到的信賴水準。只要移動「可信度門檻」滑桿，即可查看不同門檻值對模型成效的影響。模型效能會透過兩個指標進行評估：精確度和喚回率。

在圖像分類的情況下，準確率是指在指定門檻下，模型標記正確的圖片數量與模型標記的圖片數量之間的比例。模型的精確度越高，錯誤指派標籤的機率就越低 (偽陽性情形較少)。

喚回度是指正確標記的圖片數，與模型應能為其加上標籤的圖片數量比例。當模型的喚回率偏高時，無法指派任何標籤的情況就會減少 (偽陰性情形較少)。

至於要針對精確度或喚回度進行最佳化，則取決於您的用途。詳情請參閱 AutoML Vision 新手指南和包容性機器學習指南 - AutoML。

找到可產生您滿意指標的可信度門檻後，請記下這項資訊，以便在應用程式中使用可信度門檻設定模型 (您隨時可以使用這項工具取得適當的門檻值)。

4. 發布或下載模型

如果您很滿意模型的成效，且想在應用程式中使用，可以透過以下三種選項任意組合：部署用於線上預測的模型、將模型發布到 Firebase，或下載模型並將其與應用程式組合。

部署模型

您可以在資料集的「Test & use」分頁中，部署用於線上預測的模型，在雲端執行模型。Cloud AutoML 文件會說明這個選項。本網站上的文件會說明其餘兩個選項。

發布模型

將模型發布至 Firebase 後，您就能在不發布新版應用程式的情況下更新模型，並使用 Remote Config 和 A/B Testing，為不同使用者群組動態提供不同的模型。

如果您選擇只透過 Firebase 代管模型，而非與應用程式捆綁，就能縮減應用程式的初始下載大小。不過，請注意，如果模型未與應用程式捆綁，則必須等到應用程式首次下載模型，才能使用任何模型相關功能。

如要發布模型，您可以使用下列任一方法：

在 Google Cloud 控制台的資料集「Test & use」頁面中下載 TF Lite 模型，然後在 Firebase 控制台的「Custom model」頁面上傳模型。這通常是發布單一模型最簡單的方式。
使用 Admin SDK，直接從 Google Cloud 專案將模型發布至 Firebase。您可以使用此方法批次發布多個模型，或協助建立自動化發布管道。

如要使用 Admin SDK 模型管理 API 發布模型，請按照下列步驟操作：

安裝並初始化 SDK。

發布模型。

您必須指定模型的資源 ID，此字串如下所示：

projects/PROJECT_NUMBER/locations/us-central1/models/MODEL_ID

`PROJECT_NUMBER`	包含模型的 Cloud Storage 值區專案編號。這可能是你的 Firebase 專案或其他 Google Cloud 專案。您可以在 Firebase 主控台的「設定」頁面或 Google Cloud 主控台資訊主頁中找到這個值。
`MODEL_ID`	您從 AutoML Cloud API 取得的模型 ID。

Python

# First, import and initialize the SDK.

# Get a reference to the AutoML model
source = ml.TFLiteAutoMlSource('projects/{}/locations/us-central1/models/{}'.format(
    # See above for information on these values.
    project_number,
    model_id
))

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you will use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
new_model.wait_for_unlocked()
ml.publish_model(new_model.model_id)

Node.js

// First, import and initialize the SDK.

(async () => {
  // Get a reference to the AutoML model. See above for information on these
  // values.
  const automlModel = `projects/${projectNumber}/locations/us-central1/models/${modelId}`;

  // Create the model object and add the model to your Firebase project.
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { automlModel: automlModel },
  });

  // Wait for the model to be ready.
  await model.waitForUnlocked();

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

下載模型並與應用程式組合

將模型與應用程式捆綁後，即使 Firebase 託管的模型無法使用，應用程式的機器學習功能仍可正常運作。

如果模型同時發布並封裝至應用程式，應用程式將使用最新版本。

如要下載模型，請在資料集的「Test & use」頁面中，點選「TF Lite」。

後續步驟

現在您已經發布或下載模型，接下來請瞭解如何在 iOS+ 和 Android 應用程式中使用模型。