获取我们在 Firebase 峰会上发布的所有信息,了解 Firebase 可如何帮助您加快应用开发速度并满怀信心地运行应用。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實際問題。

Firebase 機器學習是一個移動 SDK,它通過一個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 Android 和 Apple 應用程序。無論您是機器學習新手還是經驗豐富的人,只需幾行代碼即可實現所需的功能。無需深入了解神經網絡或模型優化即可開始使用。另一方面,如果您是一位經驗豐富的 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,我們將負責託管並將其提供給您的應用程序。 Firebase 將動態地為您的用戶提供模型的最新版本,讓您可以定期更新它們,而無需將新版本的應用推送給用戶。

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)。

自動訓練模型

借助 Firebase ML 和 AutoML Vision Edge,您可以輕鬆訓練自己的 TensorFlow Lite 圖像標記模型,您可以在應用中使用這些模型來識別照片中的概念。上傳訓練數據(您自己的圖像和標籤),AutoML Vision Edge 將使用它們在雲中訓練自定義模型。

為常見用例做好生產準備

Firebase ML 附帶一組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。只需將數據傳遞到 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 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 或用戶的移動設備上。

文本識別、圖像標記和地標識別 API 在雲中執行推理。與類似的設備上模型相比,這些模型具有更多的計算能力和可用內存,因此可以以比設備上模型更高的準確度和精度執行推理。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 和 AutoML Vision Edge 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在於它們不需要網絡連接並且運行速度非常快——例如,足以實時處理視頻幀。

Firebase ML 圍繞設備上的自定義模型提供了兩項關鍵功能:

  • 自定義模型部署:通過將自定義模型上傳到我們的服務器,將它們部署到用戶的設備。您啟用 Firebase 的應用會按需將模型下載到設備。這使您可以將應用的初始安裝大小保持較小,並且您可以交換 ML 模型而無需重新發​​布您的應用。

  • AutoML Vision Edge :此服務可幫助您通過易於使用的 Web 界面創建自己的設備上自定義圖像分類模型。然後,您可以無縫地託管您使用上述服務創建的模型。

機器學習套件:即用型設備模型

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
  • 圖像標註
  • 目標檢測和跟踪
  • 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