Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Adicione recursos de machine learning ao seu aplicativo
Use o Firebase ML para treinar e implantar modelos personalizados ou use uma solução mais pronta para uso com as APIs do Cloud Vision.
plat_ios
plat_android
Implante modelos personalizados que são executados no dispositivo
Esteja você começando com um [modelo TensorFlow Lite] existente(https://www.tensorflow.org/lite/models) ou treinando seu próprio, você pode usar a implantação de modelo do Firebase ML para distribuir modelos para seus usuários over the air. Isso reduz o tamanho da instalação inicial do aplicativo porque os modelos são salvos pelo dispositivo apenas quando necessário. Ela também permite que você faça o Teste A/B em vários modelos, avalie seu desempenho e atualize os modelos regularmente sem ter que republicar todo seu aplicativo. Basta fazer upload do seu modelo para o Console do Firebase e nós cuidaremos de hospedá-lo e disponibilizá-lo em seu aplicativo. Ou, se preferir, você pode implantar modelos diretamente de seu pipeline de produção de ML ou notebook do Colab usando o SDK Admin do Firebase.
Resolva casos de uso comuns com APIs prontas para uso
O Firebase ML também vem com um conjunto de APIs baseadas em nuvem prontas para usar para casos comuns de uso móvel: reconhecendo texto, rotulando imagens e reconhecendo pontos de referência. Ao contrário das APIs no dispositivo, essas APIs aproveitam o poder da tecnologia de machine learning do Google Cloud para fornecer um alto nível de acurácia. Você simplesmente passa os dados para a biblioteca, que faz uma solicitação perfeitamente aos modelos em execução no Google Cloud, e recebe as informações de que precisa – tudo em algumas linhas de código.
eBay Motors usa machine learning do Firebase para rapidamente categorizar imagens, reduzir custos e melhorar a experiência do usuário
A eBay Motors permite que os usuários pesquisem e encontrem carros à venda na região. Saiba como eles usaram o AutoML Vision Edge no Firebase ML para criar seu próprio modelo e melhorar a experiência do usuário.
Ler mais
arrow_forward
Documentação
Learn how to get started with ML by reviewing our technical documentation.
[null,null,[],[],[],null,["Firebase Machine Learning\n^BETA^\n\nMachine learning for mobile developers \n[Get started](https://console.firebase.google.com/project/_/ml/apis) [View docs\n*arrow_forward*](/docs/ml) \n\nAdd machine learning capabilities to your app \nUse Firebase ML to train and deploy custom models, or use a more turn-key solution with the Cloud Vision APIs. \n*plat_ios* *plat_android* \n\nDeploy custom models that run on-device \nWhether you are starting with an existing [TensorFlow Lite model](https://www.tensorflow.org/lite/models) or training your own, you can use Firebase ML model deployment to distribute models to your users over the air. This reduces initial app installation size since models are downloaded by the device only when needed. It also allows you to A/B test multiple models, evaluate their performance and update models regularly without having to republish your entire app. Just [upload your model](/docs/ml/manage-hosted-models) to the Firebase console, and we'll take care of hosting and serving it to your app. Or if you prefer, you can deploy models directly from your ML production pipeline or Colab notebook [using the Firebase Admin SDK](/docs/ml/manage-hosted-models#manage_models_with_the_firebase_admin_sdk). \n\nSolve for common use cases with turn-key APIs \nFirebase ML also comes with a set of ready-to-use cloud-based APIs for common mobile use cases: [recognizing text](/docs/ml/recognize-text), [labeling images](/docs/ml/label-images), and [recognizing landmarks](/docs/ml/recognize-landmarks). Unlike on-device APIs, these APIs leverage the power of Google Cloud's machine learning technology to give a high level of accuracy. You simply pass in data to the library, which seamlessly makes a request to models running on Google Cloud, and get back the information you need--all in a few lines of code. \nCase Studies \n\neBay Motors uses Firebase ML to quickly categorize images, reduce costs and improve user experience\n\n\neBay Motors allows users to search and find cars for sale in their area. Learn how they used AutoML Vision Edge in Firebase ML to create their own model and improve the user experience.\n[Read more\n*arrow_forward*](/case-studies/ebay) \n\nDocumentation \nLearn how to get started with ML by reviewing our technical documentation. \n[View docs](/docs/ml) \n\nPricing \nUnderstand ML pricing. \n[View pricing](/pricing#firebase-ml) \nTry Firebase today\n\n\nIntegrating it into your app is easy.\n[Get started](https://console.firebase.google.com/) \n\nAll Firebase products \n\nBuild\n\n- [App Check](/products/app-check)\n- [App Hosting](/products/app-hosting)\n- [Authentication](/products/auth)\n- [Cloud Functions](/products/functions)\n- [Cloud Storage](/products/storage)\n- [Data Connect](/products/data-connect)\n- [Extensions](/products/extensions)\n- [Firestore](/products/firestore)\n- [Firebase ML](/products/ml)\n- [Genkit](https://genkit.dev/)\n- [Hosting](/products/hosting)\n- [Realtime Database](/products/realtime-database)\n- [Firebase AI Logic client SDKs](/products/firebase-ai-logic)\n\n[Generative AI](/products/generative-ai) \n\nRun\n\n- [A/B Testing](/products/ab-testing)\n- [App Distribution](/products/app-distribution)\n- [Cloud Messaging](/products/cloud-messaging)\n- [Crashlytics](/products/crashlytics)\n- [Google Analytics](/products/analytics)\n- [In-App Messaging](/products/in-app-messaging)\n- [Performance Monitoring](/products/performance)\n- [Remote Config](/products/remote-config)\n- [Test Lab](/products/test-lab)"]]