Firebase मशीन लर्निंग

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

Firebase मशीन लर्निंग, एक मोबाइल SDK टूल है. यह Google की मशीन लर्निंग विशेषज्ञता को, Android और Apple के ऐप्लिकेशन में इस्तेमाल करता है. यह इस्तेमाल करने में आसान और बेहतर है. चाहे आप नए हों या फिर मशीन लर्निंग का अनुभव रखते हों, कोड की कुछ ही लाइनों में वे सभी फ़ंक्शन इस्तेमाल किए जा सकते हैं जिनकी आपको ज़रूरत है. शुरू करने के लिए, न्यूरल नेटवर्क या मॉडल ऑप्टिमाइज़ेशन के बारे में अच्छी जानकारी होना ज़रूरी नहीं है. दूसरी ओर, अगर आप एक अनुभवी एमएल डेवलपर हैं, तो Firebase एमएल आसान एपीआई उपलब्ध कराता है. इसकी मदद से, अपने मोबाइल ऐप्लिकेशन में TensorFlow Lite के मॉडल का इस्तेमाल किया जा सकता है.

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 अपने मॉडल को Firebase पर डिप्लॉय करें. इसके बाद, हम इसे आपके ऐप्लिकेशन पर होस्ट करने और दिखाने का काम करेंगे. Firebase डाइनैमिक रूप से आपके उपयोगकर्ताओं को इस मॉडल का सबसे नया वर्शन उपलब्ध कराएगा. इसकी मदद से, उपयोगकर्ताओं को ऐप्लिकेशन का नया वर्शन भेजे बिना, उन्हें समय-समय पर अपडेट किया जा सकेगा.

रिमोट कॉन्फ़िगरेशन के साथ Firebase एमएल का इस्तेमाल करने पर, अलग-अलग उपयोगकर्ताओं के सेगमेंट के लिए अलग-अलग मॉडल दिखाए जा सकते हैं. साथ ही, A/B टेस्टिंग की मदद से, सबसे अच्छी परफ़ॉर्मेंस वाले मॉडल को ढूंढने के लिए प्रयोग चलाए जा सकते हैं (Apple और Android गाइड देखें).
इस्तेमाल के सामान्य उदाहरणों में प्रोडक्शन के लिए तैयार

Firebase ML में, मोबाइल के सामान्य इस्तेमाल के उदाहरणों के लिए, इस्तेमाल के लिए तैयार एपीआई का एक सेट होता है: टेक्स्ट की पहचान करना, इमेज को लेबल करना, और लैंडमार्क की पहचान करना. इसके लिए, बस डेटा को Firebase ML लाइब्रेरी में पास करें और यह आपको आपकी ज़रूरत की जानकारी दे देगा. ये एपीआई आपको सबसे सटीक नतीजे देने के लिए, Google Cloud की मशीन लर्निंग टेक्नोलॉजी का इस्तेमाल करते 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 बताते हैं कि कौनसी मशीन अनुमान लगाती है: इसका मतलब है कि कौनसी मशीन आपके दिए गए डेटा के बारे में इनसाइट खोजने के लिए मशीन लर्निंग (एमएल) मॉडल का इस्तेमाल करती है. Firebase ML में, यह Google Cloud पर या आपके उपयोगकर्ताओं के मोबाइल डिवाइस पर होता है.

टेक्स्ट की पहचान करने, इमेज को लेबल करने, और लैंडमार्क की पहचान करने वाले एपीआई, क्लाउड में अनुमान लगाते हैं. इन मॉडल में, अन्य डिवाइस के मुकाबले, अन्य मॉडल की तुलना में ज़्यादा कंप्यूटेशनल पावर और मेमोरी उपलब्ध होती है. इसलिए, ये मॉडल, डिवाइस पर मौजूद मॉडल की तुलना में ज़्यादा सटीक और सटीक अनुमान लगा सकते हैं. दूसरी ओर, इन एपीआई के लिए किए जाने वाले हर अनुरोध के लिए, नेटवर्क की दोतरफ़ा यात्रा की ज़रूरत होती है. इस वजह से, ये वीडियो प्रोसेसिंग जैसे रीयल-टाइम और कम इंतज़ार वाले ऐप्लिकेशन के लिए सही नहीं होते.

कस्टम मॉडल के एपीआई, डिवाइस पर चलने वाले एमएल मॉडल के साथ काम करते हैं. इन सुविधाओं के लिए इस्तेमाल किए गए और बनाए गए मॉडल TensorFlow Lite मॉडल हैं. इन्हें मोबाइल डिवाइसों पर चलाने के लिए ऑप्टिमाइज़ किया गया है. इन मॉडल का सबसे बड़ा फ़ायदा यह है कि इनमें इंटरनेट की ज़रूरत नहीं होती और ये बहुत तेज़ी से चलते हैं. उदाहरण के लिए, ये बहुत तेज़ी से चलते हैं. उदाहरण के लिए, रीयल टाइम में वीडियो के फ़्रेम प्रोसेस करने में इनका इस्तेमाल किया जा सकता है.

Firebase ML, अपने उपयोगकर्ताओं के डिवाइस पर कस्टम मॉडल को डिप्लॉय करने की सुविधा देता है. इसके लिए, आपको उन्हें हमारे सर्वर पर अपलोड करना होगा. आपका Firebase की सुविधा वाला ऐप्लिकेशन, मांग पर डिवाइस में मॉडल को डाउनलोड कर लेगा. इससे अपने ऐप्लिकेशन के शुरुआती इंस्टॉल का साइज़ छोटा रखा जा सकता है. साथ ही, ऐप्लिकेशन को फिर से पब्लिश किए बिना एमएल मॉडल को बदला जा सकता है.

ML Kit: डिवाइस पर इस्तेमाल के लिए तैयार मॉडल

अगर आपको डिवाइस पर चलने वाले, पहले से ट्रेन किए गए मॉडल चाहिए, तो ML Kit देखें. ML Kit, iOS और Android पर उपलब्ध है. साथ ही, इसमें कई तरह के कामों के लिए एपीआई मौजूद हैं:

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

अगले चरण