了解 2023 年 Google I/O 大会上介绍的 Firebase 亮点。了解详情

Firebase 機器學習

在您的應用程序中使用機器學習來解決現實世界中的問題。

Firebase Machine Learning 是一款移動 SDK,它通過功能強大且易於使用的軟件包將 Google 的機器學習專業知識引入到 Android 和 Apple 應用程序中。無論您是機器學習的新手還是經驗豐富的機器學習,您都可以通過幾行代碼實現所需的功能。無需深入了解神經網絡或模型優化即可上手。另一方面,如果您是經驗豐富的 ML 開發人員,Firebase ML 提供了方便的 API,可幫助您在移動應用程序中使用自定義 TensorFlow Lite 模型。

關鍵能力

託管和部署自定義模型

使用您自己的 TensorFlow Lite 模型進行設備推理。只需將您的模型部署到 Firebase,我們就會負責託管並將其提供給您的應用。 Firebase 會動態地為您的用戶提供最新版本的模型,讓您可以定期更新它們,而無需向用戶推送新版本的應用程序。

當您將 Firebase ML 與Remote Config結合使用時,您可以為不同的用戶群提供不同的模型,並且通過A/B 測試,您可以運行實驗以找到性能最佳的模型(請參閱AppleAndroid指南)。

可用於常見用例的生產

Firebase ML 附帶一組適用於常見移動用例的即用型 API:識別文本、標記圖像和識別地標。只需將數據傳遞給 Firebase ML 庫,它就會為您提供所需的信息。這些 API 利用 Google Cloud 機器學習技術的強大功能為您提供最高級別的準確性。

雲與設備上

Firebase ML 具有可在雲端或設備上運行的 API。當我們將 ML API 描述為雲 API 或設備上 API 時,我們是在描述哪台機器執行推理:也就是說,哪台機器使用 ML 模型來發現有關您提供的數據的見解。在 Firebase ML 中,這發生在 Google Cloud 或您用戶的移動設備上。

文本識別、圖像標記和地標識別 API 在雲端執行推理。與同類設備上的模型相比,這些模型具有更多的計算能力和可用內存,因此,與設備上的模型相比,它們可以以更高的準確性和精度執行推理。另一方面,對這些 API 的每個請求都需要網絡往返,這使得它們不適合實時和低延遲的應用程序,例如視頻處理。

自定義模型 API 處理在設備上運行的 ML 模型。這些功能使用和生成的模型是TensorFlow Lite模型,經過優化可在移動設備上運行。這些模型的最大優勢是它們不需要網絡連接並且可以非常快速地運行——足夠快,例如,可以實時處理視頻幀。

Firebase ML 通過將自定義模型上傳到我們的服務器來提供將自定義模型部署到用戶設備的能力。您的支持 Firebase 的應用程序將按需將模型下載到設備。這使您可以將應用程序的初始安裝大小保持在較小的水平,並且您可以更換 ML 模型而無需重新發​​布您的應用程序。

機器學習套件:即用型設備端模型

如果您正在尋找在設備上運行的預訓練模型,請查看ML Kit 。 ML Kit 適用於 iOS 和 Android,並具有適用於許多用例的 API:

  • 文字識別
  • 圖片標註
  • 物體檢測和跟踪
  • 人臉檢測和輪廓追踪
  • 條碼掃描
  • 語言識別
  • 翻譯
  • 智能回复

下一步