Catch up on everthing we announced at this year's Firebase Summit. Learn more

Firebase 机器学习

在您的应用中使用机器学习来解决实际问题。

Firebase 机器学习是一种移动 SDK,它以功能强大且易于使用的软件包将 Google 的机器学习专业知识引入 Android 和 Apple 应用程序。无论您是机器学习新手还是老手,都可以通过几行代码实现您需要的功能。无需深入了解神经网络或模型优化即可开始使用。另一方面,如果您是经验丰富的 ML 开发人员,Firebase ML 提供了方便的 API,可帮助您在移动应用中使用自定义 TensorFlow Lite 模型。

关键能力

托管和部署自定义模型

使用您自己的 TensorFlow Lite 模型进行设备端推理。只需将您的模型部署到 Firebase,我们就会负责托管并将其提供给您的应用。 Firebase 会动态地为您的用户提供最新版本的模型,让您可以定期更新他们,而无需向用户推送新版本的应用程序。

当您使用火力地堡ML与远程配置,可以提供不同型号不同的用户群,并与A / B测试,您可以通过运行实验来找到最好的执行模型(见苹果Android的指南)。

自动训练模型

借助 Firebase ML 和 AutoML Vision Edge,您可以轻松训练自己的 TensorFlow Lite 图像标记模型,您可以在应用中使用这些模型来识别照片中的概念。上传训练数据(您自己的图像和标签),AutoML Vision Edge 将使用它们在云中训练自定义模型。

适用于常见用例的生产就绪

Firebase ML 附带一组用于常见移动用例的即用型 API:识别文本、标记图像和识别地标。只需将数据传递到 Firebase ML 库,它就会为您提供所需的信息。这些 API 利用 Google Cloud 机器学习技术的强大功能,为您提供最高级别的准确性。

云与设备端

Firebase ML 具有可在云端或设备上运行的 API。当我们描述一个ML API作为一个云API或设备上的API,我们正在描述该机器进行推论:那就是,哪台机器使用ML模型发现有关你提供给它的数据洞察。在 Firebase ML 中,这发生在 Google Cloud 或您用户的移动设备上。

文本识别、图像标记和地标识别 API 在云端执行推理。与类似的设备端模型相比,这些模型具有更多的计算能力和可用内存,因此可以比设备端模型更准确和精确地执行推理。另一方面,对这些 API 的每个请求都需要网络往返,这使得它们不适合视频处理等实时和低延迟应用程序。

自定义模型 API 和 AutoML Vision Edge 处理在设备上运行的 ML 模型。使用和产生通过这些特征的模型是TensorFlow精简版模型,其被优化以在移动设备上运行。这些模型的最大优势在于它们不需要网络连接并且可以非常快速地运行——例如,足够快以实时处理视频帧。

Firebase ML 围绕设备上的自定义模型提供了两项关键功能:

  • 自定义模型部署:部署定制机型被上传到我们的服务器用户的设备。启用 Firebase 的应用会按需将模型下载到设备。这允许您保持应用的初始安装大小较小,并且您可以交换 ML 模型而无需重新发布您的应用。

  • AutoML愿景边:此服务可帮助您创建自己的设备上的自定义图像分类模型与一个易于使用的Web界面。然后,您可以无缝托管您使用上述服务创建的模型。

机器学习套件:即用型设备端模型

如果你正在寻找一个运行在设备上预先训练模式,看看ML套件。 ML Kit 适用于 iOS 和 Android,并具有适用于许多用例的 API:

  • 文字识别
  • 图像标记
  • 物体检测和跟踪
  • 人脸检测和轮廓追踪
  • 条码扫描
  • 语言识别
  • 翻译
  • 智能回复

下一步