Firebase Machine Learning

असल दुनिया में होने वाली समस्याएं हल करने के लिए, अपने ऐप्लिकेशन में मशीन लर्निंग का इस्तेमाल करें.

Firebase Machine Learning एक मोबाइल SDK टूल है, जो Google की मशीन को यह टूल, इस्तेमाल में आसान है और Android और Apple ऐप्लिकेशन को बेहतर तरीके से सीखने में मदद करता है पैकेज. चाहे आप नए हों या मशीन लर्निंग में अनुभवी, आपके पास कोड की कुछ ही लाइनों में अपने काम की सुविधा लागू करें. कोई नहीं न्यूरल नेटवर्क या मॉडल ऑप्टिमाइज़ेशन की गहरी जानकारी होनी चाहिए शुरू किया गया. दूसरी ओर, अगर आप अनुभवी एमएल डेवलपर हैं, Firebase ML आपको ऐसे एपीआई उपलब्ध कराता है जो आसानी से, अपनी पसंद के मुताबिक बनाई गई आपके मोबाइल ऐप्लिकेशन में TensorFlow Lite के मॉडल.

मुख्य सुविधाएं

कस्टम मॉडल होस्ट और डिप्लॉय करें

उपयोगकर्ता के डिवाइस पर अनुमान लगाने के लिए, अपने TensorFlow Lite के मॉडल का इस्तेमाल करें. बस आप अपना मॉडल Firebase पर लागू कर सकते हैं और हम आपके ऐप्लिकेशन पर उपलब्ध कराता है. Firebase डाइनैमिक तौर पर, सबसे नए वर्शन बनाने की सुविधा मिलती है, जिससे आप नियमित रूप से उन्हें उपयोगकर्ताओं को अपने ऐप्लिकेशन का नया वर्शन पुश करने की ज़रूरत नहीं है.

Remote Config के साथ Firebase ML का इस्तेमाल करने पर, अलग-अलग उपयोगकर्ता सेगमेंट के लिए अलग-अलग मॉडल दिखाए जा सकते हैं. साथ ही, A/B Testing की मदद से, सबसे अच्छा परफ़ॉर्म करने वाला मॉडल ढूंढने के लिए प्रयोग किए जा सकते हैं. इसके लिए, Apple और Android की गाइड देखें.

इस्तेमाल के सामान्य उदाहरणों में प्रोडक्शन के लिए तैयार

Firebase ML में, मोबाइल के सामान्य इस्तेमाल के मामलों के लिए, इस्तेमाल में आसान एपीआई का एक सेट होता है: टेक्स्ट की पहचान करना, इमेज को लेबल करना, और लैंडमार्क की पहचान करना. बस डेटा को Firebase ML लाइब्रेरी में पास करें और यह आपको जो आपको चाहिए. ये एपीआई, Google Cloud की मशीन लर्निंग टेक्नोलॉजी का फ़ायदा उठाकर, आपको सबसे सटीक नतीजे देते हैं.

क्लाउड बनाम डिवाइस पर

Firebase ML में ऐसे एपीआई हैं जो क्लाउड या डिवाइस पर काम करते हैं. जब हम किसी ML API को क्लाउड एपीआई या ऑन-डिवाइस एपीआई बताते हैं, तो हम यह जानकारी देना कि कौन सी मशीन अनुमान लगाती है: यानी, कौनसी मशीन एमएल मॉडल, ताकि आपके दिए गए डेटा के बारे में इनसाइट मिल सके. Firebase ML में, यह समस्या Google Cloud को या आपके उपयोगकर्ताओं की गतिविधि पर हुई मोबाइल डिवाइस पर.

टेक्स्ट की पहचान करने, इमेज को लेबल करने, और लैंडमार्क पहचानने वाले एपीआई काम करते हैं अनुमान को क्लाउड में रिकॉर्ड किया जा सकता है. इन मॉडल में ज़्यादा कंप्यूटेशनल पावर और मेमोरी होती है अन्य डिवाइसों पर उनकी तुलना में अन्य मॉडल उपलब्ध कराता है. इसलिए, किसी ऑन-डिवाइस मॉडल की तुलना में, ज़्यादा सटीक और सटीक अनुमान लगाएं. वहीं दूसरी ओर, इन एपीआई के लिए किए जाने वाले हर अनुरोध के लिए, नेटवर्क की दोतरफ़ा यात्रा की ज़रूरत होती है, इसकी वजह से, वे रीयल-टाइम में और वीडियो स्ट्रीम होने और उसके दिखने के समय का अंतर कम रखने वाले ऐप्लिकेशन के लिए सही नहीं रहते हैं, जैसे कि वीडियो प्रोसेस करना.

कस्टम मॉडल एपीआई, डिवाइस पर चलने वाले एमएल मॉडल के साथ काम करते हैं. इन सुविधाओं में इस्तेमाल किए गए और इनसे तैयार किए गए मॉडल, TensorFlow Lite मॉडल होते हैं. इन्हें मोबाइल डिवाइसों पर चलाने के लिए ऑप्टिमाइज़ किया जाता है. इन मॉडल का सबसे बड़ा लाभ है कि उन्हें किसी नेटवर्क कनेक्शन की ज़रूरत नहीं होती है और वे बहुत तेज़ी से—तेज़ चल सकते हैं उदाहरण के लिए, रीयल टाइम में वीडियो के फ़्रेम को प्रोसेस करना.

Firebase ML से मिलते हैं अपने उपयोगकर्ताओं के लिए कस्टम मॉडल को डिप्लॉय करने की इसके हिसाब से डिवाइस उन्हें हमारे सर्वर पर अपलोड करती हैं. आपका Firebase- सक्षम ऐप्लिकेशन मॉडल को ज़रूरत के हिसाब से डिवाइस में बदल सकें. इससे आपको अपने ऐप्लिकेशन के नाम के पहले अक्षर इंस्टॉल का साइज़ छोटा है. साथ ही, बिना पब्लिश किए एमएल मॉडल को स्वैप किया जा सकता है आपका ऐप्लिकेशन.

ML Kit: डिवाइस पर इस्तेमाल के लिए तैयार मॉडल

अगर आपको डिवाइस पर चलने वाले ऐसे मॉडल चाहिए जिन्हें पहले से ट्रेनिंग दी गई है, तो यह देखें एमएल किट. एमएल किट उपलब्ध है और इसमें कई कामों के लिए एपीआई मौजूद हैं:

  • टेक्स्ट की पहचान
  • इमेज को लेबल करना
  • ऑब्जेक्ट का पता लगाना और ट्रैक करना
  • चेहरे की पहचान और कॉन्टूर ट्रैसिंग
  • बारकोड स्कैन करना
  • भाषा की पहचान
  • अनुवाद
  • स्मार्ट जवाब

अगले चरण