Sisältö

• Tutustu Googlen koneoppimispakettiin
• Kuinka voin käyttää ML Kit -sovellusliittymiä?
• Tunnista minkä tahansa kuvan teksti Text Recognition API -sovelluksella
• Kuvan sisällön ymmärtäminen: Image Labelling API
• Lausekkeiden ymmärtäminen ja kasvojen seuranta: Kasvontunnistusliittymä
• Viivakoodiskannaus Firebase: n ja ML: n avulla
• Koneoppiminen pilvessä: Maamerkkien tunnistusliittymä
• Kielen tunnistusliittymä: Kehitys kansainväliselle yleisölle
• Tulossa: Älykäs vastaus
• Mitä seuraavaksi? TensorFlow Lite -sovelluksen käyttö ML-sarjan kanssa
• Käärimistä

Koneoppiminen (ML) voi auttaa sinua luomaan innovatiivisia, houkuttelevia ja ainutlaatuisia kokemuksia matkapuhelimesi käyttäjille.

Kun olet oppinut ML: n, voit käyttää sitä luomaan monenlaisia ​​sovelluksia, mukaan lukien sovellukset, jotka järjestävät valokuvat automaattisesti aiheen perusteella, tunnistavat ja seuraavat ihmisen kasvot suoravirtaan, poimivat tekstiä kuvasta ja paljon muuta .

Mutta ML ei ole aivan aloittelijaystävällinen! Jos haluat parantaa Android-sovelluksiasi tehokkailla koneoppimisominaisuuksilla, mistä oikein aloitat?

Tässä artikkelissa annan yleiskatsauksen SDK: sta (ohjelmistokehityspaketti), joka lupaa laittaa ML: n voiman ulottuvillesi, vaikka sinulla olisi nolla ML-kokemus. Tämän artikkelin loppuun mennessä sinulla on perusta, jonka tarvitset aloittaessasi älykkäiden, ML-käyttöisten sovellusten luomisen, jotka pystyvät merkitsemään kuvia, skannaamaan viivakoodeja, tunnistamaan kasvoja ja kuuluisia maamerkkejä ja suorittamaan monia muita tehokkaita ML-tehtäviä.

Tutustu Googlen koneoppimispakettiin

TensorFlow- ja CloudVision-tekniikoiden kaltaisten tekniikoiden myötä ML: tä käytetään yhä laajemmin, mutta nämä tekniikat eivät ole heikkoa sydäntä! Tarvitset yleensä syvän ymmärryksen hermoverkoista ja data-analyysistä, vain saadaksesi aloitti TensorFlow-tekniikan kaltaisella tekniikalla.

Vaikka sinäkin tehdä sinulla on jonkin verran kokemusta ML: stä, koneoppimisen tukeman mobiilisovelluksen luominen voi olla aikaa vievä, monimutkainen ja kallis prosessi, joka edellyttää sinun hankkia tarpeeksi tietoa omien ML-mallesi kouluttamiseksi ja optimoida sitten nämä ML-mallit toimimaan tehokkaasti mobiili ympäristö. Jos olet henkilökohtainen kehittäjä tai sinulla on rajalliset resurssit, ML-tietosi ei ehkä ole mahdollista ottaa käytännössä käyttöön.

ML Kit on Googlen yritys tuoda koneoppiminen joukkoihin.

Kotelon alla ML Kit kimppuun yhdistää useita tehokkaita ML-tekniikoita, jotka yleensä edellyttävät laajaa ML-tietämystä, kuten Cloud Vision, TensorFlow ja Android Neural Networks API. ML-sarja yhdistää nämä erikoistuneet ML-tekniikat ennalta koulutettuihin malleihin yleistä mobiilikäyttöä varten, mukaan lukien tekstin poimiminen kuvasta, viivakoodin skannaaminen ja valokuvan sisällön tunnistaminen.

Riippumatta siitä, onko sinulla aiempaa tietoa ML: stä, voit käyttää ML Kitiä lisäämään tehokkaita koneoppimisominaisuuksia Android-laitteellesi ja iOS-sovellukset - välitä vain joitain tietoja ML-paketin oikeaan osaan, kuten Tekstin tunnistus- tai Kielen tunnistusliittymä, ja tämä sovellusliittymä käyttää koneoppimista vastauksen palauttamiseen.

Kuinka voin käyttää ML Kit -sovellusliittymiä?

ML Kit on jaettu useisiin sovellusliittymiin, jotka jaetaan osana Firebase-alustaa. Jotta voit käyttää mitä tahansa ML Kit -sovellusliittymää, sinun on luotava yhteys Android Studio -projektisi ja vastaavan Firebase-projektin välille ja kommunikoitava sitten Firebaseen.

Suurin osa ML Kit -malleista on saatavana laitteiden malleina, joita voit ladata ja käyttää paikallisesti, mutta jotkut mallit ovat saatavana myös pilvessä, minkä ansiosta sovelluksesi voi suorittaa ML-pohjaisia ​​tehtäviä laitteen Internet-yhteyden kautta.

Jokaisella lähestymistavalla on omat ainutlaatuiset vahvuuksiensa ja heikkouksiensa joukot, joten sinun on päätettävä, onko paikallinen vai etäkäsittely järkevin sovelluksellesi. Voit jopa lisätä tukea molemmille malleille ja antaa sitten käyttäjille päättää, mitä mallia käytetään suorituksen aikana. Voit vaihtoehtoisesti määrittää sovelluksesi valitsemaan parhaan mallin nykyisille olosuhteille, esimerkiksi käyttämällä vain pilvipohjaista mallia, kun laite on yhteydessä Wi-Fi-verkkoon.

Jos valitset paikallisen mallin, sovelluksesi koneoppimisominaisuudet ovat aina käytettävissä, riippumatta siitä, onko käyttäjällä aktiivinen Internet-yhteys. Koska kaikki työt tehdään paikallisesti, laitemallit ovat ihanteellisia silloin, kun sovelluksesi on käsiteltävä suuria määriä tietoja nopeasti, esimerkiksi jos käytät ML Kit -sovellusta reaaliaikaisen videovirran manipuloimiseen.

Samaan aikaan pilvipohjaiset mallit tarjoavat tyypillisesti suuremman tarkkuuden kuin heidän laitteessa olevat mallit, koska pilvimallit hyödyntävät Google Cloud Platformin koneoppimistekniikan voimaa. Esimerkiksi Image Labelling API: n laitteen malli sisältää 400 tarraa, mutta pilvimalli sisältää yli 10 000 tarraa.

Sovellusliittymästä riippuen voi olla myös joitain toimintoja, jotka ovat saatavana vain pilvessä, esimerkiksi Tekstintunnistussovellusliittymä voi tunnistaa muut kuin latinalaiset merkit vain, jos käytät sen pilvipohjaista mallia.

Pilvipohjaiset sovellusliittymät ovat saatavissa vain Blaze-tason Firebase-projekteille, joten sinun on päivitettävä pay-as-you-go-Blaze-suunnitelmaan, ennen kuin voit käyttää mitä tahansa ML Kitin pilvimallia.

Jos päätät tutkia pilvimalleja, kirjoittamishetkellä kaikille ML Kit -sovellusliittymille oli saatavilla ilmainen kiintiö. Jos halusit vain kokeilla pilvipohjaisen kuvanmerkinnän kanssa, voit päivittää Firebase-projektisi Blaze-suunnitelmaan, testata sovellusliittymää alle 1 000 kuvassa ja siirtyä sitten takaisin ilmaiseen Spark-suunnitelmaan ilmaiseksi. Ehdoilla on kuitenkin ilkeä tapa muuttua ajan myötä, joten muista lukea pienimuotoinen teksti ennen päivittämistä Blazeksi vain varmistaaksesi, ettet pääse kärsimään odottamattomista laskuista!

Tunnista minkä tahansa kuvan teksti Text Recognition API -sovelluksella

Tekstintunnistusliittymä voi älykkäästi tunnistaa, analysoida ja käsitellä tekstiä.

Voit käyttää tätä sovellusliittymää luodaksesi sovelluksia, jotka poimivat tekstiä kuvasta, joten käyttäjien ei tarvitse tuhlata aikaa tylsään manuaaliseen tietojen syöttämiseen. Voit esimerkiksi käyttää tekstin tunnistusliittymää auttaaksesi käyttäjiä poimimaan ja tallentamaan tietoja kuiteista, laskuista, käyntikorteista tai jopa ravintotarroista yksinkertaisesti ottamalla kuvan kyseisestä tuotteesta.

Voit jopa käyttää tekstintunnistussovellusliittymää käännössovelluksen ensimmäisenä askeleena, jossa käyttäjä ottaa kuvan tuntemattomasta tekstistä ja sovellusliittymä purkaa kuvan koko tekstin valmiina siirtämään käännöspalveluun.

ML Kitin laitteiden tekstintunnistussovellusliittymä voi tunnistaa tekstin millä tahansa latinalaisella kielellä, kun taas pilvipohjainen vastine tunnistaa suuremman valikoiman kieliä ja merkkejä, mukaan lukien kiinalaiset, japanilaiset ja korealaiset merkit. Pilvipohjainen malli on myös optimoitu poistamaan harva teksti kuvista ja tekstistä tiheästi pakattuista asiakirjoista, mikä sinun tulee ottaa huomioon päätettäessä, mitä mallia käytetään sovelluksessasi.

Haluatko käytännön kokemusta tästä sovellusliittymästä? Tutustu sitten vaihe vaiheelta -oppaaseemme sovelluksen luomiseksi, joka voi poimia tekstin mistä tahansa kuvasta käyttämällä tekstin tunnistusliittymää.

Kuvan sisällön ymmärtäminen: Image Labelling API

Image Labelling API tunnistaa kuvan entiteetit, mukaan lukien sijainnit, ihmiset, tuotteet ja eläimet, ilman mitään asiayhteyteen liittyviä metatietoja. Image Labelling API palauttaa tunnistettujen entiteettien tiedot tarrojen muodossa. Esimerkiksi seuraavassa kuvakaappauksessa olen toimittanut sovellusliittymälle luonnekuvan, ja siihen vastattiin tarroilla, kuten ”Metsä” ja “joki”.

Tämä kyky tunnistaa kuvan sisältö voi auttaa sinua luomaan sovelluksia, jotka merkitsevät valokuvat aiheen perusteella. suodattimet, jotka tunnistavat automaattisesti sopimattoman käyttäjän lähettämän sisällön ja poistavat sen sovelluksestasi; tai perustana tarkennetulle hakutoiminnolle.

Monet ML Kit -sovellusliittymistä palauttavat useita mahdollisia tuloksia täydentämällä niihin liittyviä luottamuspisteitä - mukaan lukien Image Labelling API. Jos lähetämme kuvamerkinnässä kuvan villakoirasta, se saattaa palauttaa tarroja, kuten ”villakoira”, “koira”, “lemmikki” ja “pieni eläin”. Kaikilla on vaihtelevat pisteet, jotka osoittavat sovellusliittymän luottamuksen jokaisessa tarrassa. Toivottavasti tässä skenaariossa “villakoiralla” on korkein luottamuspiste!

Voit käyttää tätä luottamuspistettä luodaksesi kynnyksen, joka on täytettävä, ennen kuin sovelluksesi toimii tietyssä tarrassa, esimerkiksi näyttämällä se käyttäjälle tai merkitsemällä valokuva tällä etiketillä.

Kuvanmerkinnät ovat saatavana sekä laitteessa että pilvessä. Vaikka valitset pilvimallin, saat käyttöösi yli 10 000 tarraa verrattuna 400 malliin, jotka sisältyvät laitemalliin.

Katso tarkemmin Image Labelling -sovellusliittymästä kohdasta Määritä kuvan sisältö koneoppimisen avulla. Tässä artikkelissa rakennamme kuvan käsittelevän sovelluksen ja palautamme sitten jokaisen kuvassa havaitun kokonaisuuden tarrat ja luottamuspisteet. Toteutamme myös sovelluksessa laitteiden ja pilvien mallit, joten voit nähdä tarkalleen, miten tulokset eroavat valitsemasi mallin mukaan.

Lausekkeiden ymmärtäminen ja kasvojen seuranta: Kasvontunnistusliittymä

Kasvontunnistusliittymä voi paikantaa ihmisten kasvot valokuvissa, videoissa ja live-streamissa ja poimia sitten tiedot jokaisesta havaitusta kasvosta, mukaan lukien sen sijainti, koko ja suunta.

Voit käyttää tätä sovellusliittymää auttaakseen käyttäjiä muokkaamaan valokuvia, esimerkiksi rajaamalla automaattisesti tyhjän tilan viimeisimmän otoksensa ympärille.

Kasvontunnistusliittymä ei ole rajoitettu kuviin - voit käyttää tätä sovellusliittymää myös videoihin. Voit esimerkiksi luoda sovelluksen, joka tunnistaa kaikki videosisällön kasvot ja hämärtää sitten kaiken paitsi nuo kasvot, kuten Skypen taustan hämärtämisominaisuus.

Kasvontunnistus on aina suoritetaan laitteessa, missä se on riittävän nopea reaaliaikaiseen käyttöön, joten toisin kuin suurin osa ML Kitin sovellusliittymistä, kasvojentunnistus ei sisällyttää pilvimalli.

Kasvojen tunnistamisen lisäksi tässä sovellusliittymässä on muutama lisäominaisuus, jotka kannattaa tutkia. Ensinnäkin Kasvontunnistus-sovellusliittymä voi tunnistaa kasvojen maamerkit, kuten silmät, huulet ja korvat, ja sitten hakea kunkin näiden maamerkkien tarkat koordinaatit. Tämä maamerkin tunnustaminen tarjoaa sinulle tarkan kartan jokaisesta havaitusta kasvosta - täydellinen lisätyn todellisuuden (AR) sovellusten luomiseen, jotka lisäävät Snapchat-tyyliset naamarit ja suodattimet käyttäjän kameran syötteeseen.

Kasvojentunnistusliittymä tarjoaa myös kasvojen luokittelu. Tällä hetkellä ML Kit tukee kahta kasvojen luokitusta: silmät auki ja hymyilevät.

Voit käyttää tätä luokitusta perustana esteettömyyspalveluille, kuten handsfree-säätimille, tai luoda pelejä, jotka vastaavat pelaajan ilmeeseen. Mahdollisuus havaita, hymyileekö tai onko heidän silmänsä avoinna, voi olla hyödyllistä myös, kun luot kamerasovellusta - ei ole loppujen lopuksi mitään pahempaa kuin joukon valokuvia, vasta myöhemmin huomataksesi, että joku piti silmänsä kiinni sisään jokainen laukaus.

Lopuksi kasvojentunnistusliittymä sisältää kasvojenseurantakomponentin, joka antaa kasvotunnuksen ja seuraa sitten kasvot useiden peräkkäisten kuvien tai videokehysten yli. Huomaa, että tämä on kasvot seuranta eikä totta kasvojen tunnustus. Kulissien takana Kasvontunnistusliittymä seuraa kasvojen sijaintia ja liikettä ja päättelee sitten, että nämä kasvot todennäköisesti kuuluvat samalle henkilölle, mutta se ei lopulta ole tietoinen henkilön henkilöllisyydestä.

Kokeile kasvojentunnistusliittymää itse! Opi kuinka kasvojentunnistussovellus rakennetaan koneoppimisen ja Firebase ML Kit -sovelluksen avulla.

Viivakoodiskannaus Firebase: n ja ML: n avulla

Viivakoodiskannaus ei ehkä kuulosta yhtä mielenkiintoiselta kuin jotkut muut koneoppimissovellusliittymät, mutta se on yksi ML-Kitin helpoimmista osista.

Viivakoodin skannaaminen ei vaadi erikoislaitteita tai -ohjelmistoja, joten voit käyttää viivakoodin skannausliittymää ja varmistaa samalla, että sovelluksesi on käytettävissä mahdollisimman monelle ihmiselle, mukaan lukien vanhempien tai budjettilaitteiden käyttäjille. Niin kauan kuin laitteessa on toimiva kamera, sillä ei pitäisi olla ongelmia viivakoodin skannaamisessa.

ML Kitin viivakoodiskannausliittymä voi purkaa monenlaista tietoa painetusta ja digitaalisesta viivakoodista, mikä tekee siitä nopean, helpon ja saatavan tavan siirtää tietoa todellisesta maailmasta sovellukseesi ilman, että käyttäjien on suoritettava tylsää manuaalista tietojen syöttämistä. .

Viivakoodien skannauksen sovellusliittymä voi tunnistaa ja jäsentää viivakoodia yhdeksästä eri tyypistä:

• TYPE_CALENDAR_EVENT. Tämä sisältää tietoja, kuten tapahtuman sijainti, järjestäjä ja aloitus- ja lopetusaika.Jos mainostat tapahtumaa, saatat lisätä painetun viivakoodin julisteihisi tai esitteihisi tai käyttää digitaalista viivakoodia verkkosivustollasi. Mahdolliset osallistujat voivat sitten poimia kaikki tiedot tapahtumastasi yksinkertaisesti skannaamalla sen viivakoodin.
• TYPE_CONTACT_INFO. Tämä tietotyyppi kattaa tiedot, kuten yhteyshenkilön sähköpostiosoite, nimi, puhelinnumero ja otsikko.
• TYPE_DRIVER_LICENSE. Tämä sisältää tietoja, kuten katu, kaupunki, osavaltio, nimi ja syntymäaika, joka liittyy ajokorttiin.
• TYPE_EMAIL. Tämä tietotyyppi sisältää sähköpostiosoitteen sekä sähköpostin aiherivin ja tekstin.
• TYPE_GEO. Tämä sisältää tietyn geopisteen leveys- ja pituusasteen, mikä on helppo tapa jakaa sijainti käyttäjien kanssa tai käyttää sijaintia muiden kanssa. Voit jopa käyttää maantieteellisiä viivakoodeja sijaintipohjaisten tapahtumien käynnistämiseen, esimerkiksi hyödyllisten tietojen näyttämiseen käyttäjän nykyisestä sijainnista tai sijaintipohjaisten mobiilipelien perustaksi.
• TYPE_PHONE. Tämä sisältää puhelinnumeron ja numeron tyypin, esimerkiksi onko kyse työ- tai kotipuhelinnumerosta.
• TYPE_SMS. Tämä sisältää joitain tekstiviestien tekstiä ja tekstiviesteihin liittyvää puhelinnumeroa.
• TYPE_URL. Tämä tietotyyppi sisältää URL-osoitteen ja URL-osoitteen. TYPE_URL-viivakoodin skannaaminen on paljon helpompaa kuin luottaminen siihen, että käyttäjät kirjoittavat manuaalisesti pitkän, monimutkaisen URL-osoitteen tekemättä kirjoitusvirheitä tai kirjoitusvirheitä.
• TYPE_WIFI. Tämä sisältää Wi-Fi-verkon SSID-tunnuksen ja salasanan sekä salauslajin, kuten OPEN, WEP tai WPA. Wi-Fi-viivakoodi on yksi helpoimmista tavoista jakaa Wi-Fi-käyttöoikeustiedot, ja samalla poistaa myös riskin, että käyttäjät syöttävät nämä tiedot väärin.

Viivakoodiskannausliittymä voi jäsentää tietoja useista eri viivakoodeista, mukaan lukien lineaariset muodot, kuten Codabar, Code 39, EAN-8, ITF ja UPC-A, ja 2D-muodot, kuten Aztec, Data Matrix ja QR-koodit.

Jotta asiat olisivat loppukäyttäjille helpompaa, tämä sovellusliittymä tarkistaa kaikki tuetut viivakoodit samanaikaisesti ja voi myös poimia tietoja viivakoodin suunnasta riippumatta - joten ei ole väliä, onko viivakoodi täysin ylösalaisin, kun käyttäjä skannaa sitä!

Koneoppiminen pilvessä: Maamerkkien tunnistusliittymä

Voit käyttää ML Kitin maamerkkien tunnistusliittymää tunnistaakseen kuvan tunnetut luonnolliset ja rakennetut maamerkit.

Jos ohitat tämän sovellusliittymän kuvan, joka sisältää kuuluisan maamerkin, se palauttaa kyseisen maamerkin nimen, maamerkin leveys- ja pituusarvot sekä rajautuvan ruudun, joka osoittaa, missä maamerkki löydettiin kuvasta.

Voit käyttää Landmark Recognition API -sovellusta luodaksesi sovelluksia, jotka automaattisesti merkitsevät käyttäjän valokuvat, tai tarjotaksesi räätälöitymmän kokemuksen, esimerkiksi jos sovelluksesi tunnistaa käyttäjän ottavan valokuvia Eiffel-torniin, se saattaa tarjota mielenkiintoisia faktoja tämä maamerkki tai ehdottaa samanlaisia ​​lähellä olevia nähtävyyksiä, joihin käyttäjä saattaa haluta käydä seuraavana.

Epätavallisesti ML-sarjan tapauksessa Maamerkkien havaitsemisliittymä on saatavana vain pilvipohjaisena sovellusliittymänä, joten sovelluksesi pystyy suorittamaan maamerkin tunnistuksen vain, kun laitteessa on aktiivinen Internet-yhteys.

Kielen tunnistusliittymä: Kehitys kansainväliselle yleisölle

Nykyään Android-sovelluksia käyttävät joka puolilla maailmaa käyttäjät, jotka puhuvat monia eri kieliä.

ML Kit -sovelluksen kielen tunnistusliittymä voi auttaa Android-sovellusta vetoamaan kansainväliseen yleisöön ottamalla tekstijonon ja määrittämällä kielen, johon se on kirjoitettu. Kielen tunnistusliittymä voi tunnistaa yli sata eri kieltä, mukaan lukien romanisoitu teksti arabiaksi, bulgariaksi, bulgariaksi, Kiina, kreikka, hindi, japani ja venäjä.

Tämä sovellusliittymä voi olla arvokas lisä jokaiselle sovellukselle, joka käsittelee käyttäjän toimittamaa tekstiä, koska tämä teksti sisältää harvoin kieliä koskevia tietoja. Voit myös käyttää Kielen tunnistusliittymää käännössovelluksissa ensimmäisenä käännöstyönä mitä vain, tietää mitä kieltä käytät! Jos käyttäjä esimerkiksi osoittaa laitteensa kameran valikkoon, sovelluksesi saattaa käyttää Kielen tunnistusliittymää määrittääksesi, että valikko on kirjoitettu ranskaksi, ja tarjoamaan sitten kääntää tämä valikko käyttämällä palvelua, kuten pilvipalvelusovellusliittymää ( ehkä sen jälkeen, kun sen teksti on purettu, käyttämällä tekstin tunnistusliittymää?)

Kielen tunnistusliittymä saattaa palauttaa useita mahdollisia kieliä kyseisestä merkkijonosta riippuen, ja niihin liitetään luottamuspisteet, jotta voit määrittää, mikä havaittu kieli on todennäköisesti oikea. Huomaa, että kirjoittaessaan ML Kit ei pystynyt tunnistamaan useita eri kieliä samassa merkkijonossa.

Sen varmistamiseksi, että tämä sovellusliittymä tarjoaa kielen tunnistuksen reaaliajassa, Kielen tunnistusliittymä on saatavana vain laitteen mallina.

Tulossa: Älykäs vastaus

Google aikoo lisätä tulevaisuuden sovellusliittymiä ML Kit -sovellukseen, mutta tiedämme jo yhdestä tulevasta sovellusliittymästä.

ML Kit -sivuston mukaan tuleva Älykäs vastaus -sovellusliittymä antaa sinulle mahdollisuuden tarjota kontekstuaalisia viestivastauksia sovelluksissasi ehdottamalla nykyiseen tilanteeseen sopivia tekstikatkelmia. Sen perusteella, mitä me jo tiedämme tästä sovellusliittymästä, näyttää siltä, ​​että älykäs vastaus on samanlainen kuin ehdotettu vastausominaisuus, joka on jo saatavana Android-sovelluksessa, Wear OS: ssä ja Gmailissa.

Seuraava kuvakaappaus näyttää kuinka ehdotettu vastausominaisuus näyttää tällä hetkellä Gmailissa.

Mitä seuraavaksi? TensorFlow Lite -sovelluksen käyttö ML-sarjan kanssa

ML Kit tarjoaa valmiiksi rakennettuja malleja yleisiin matkapuhelinkäyttöön tarkoitettuihin tapauksiin, mutta joskus haluat ehkä siirtyä näiden valmiiden mallien ulkopuolelle.

On mahdollista luoda omia ML-malleja TensorFlow Lite -sovelluksella ja levittää niitä sitten ML-sarjan avulla. Huomaa kuitenkin, että toisin kuin ML Kitin valmiit sovellusliittymät, työskenteleminen omien ML-mallisi kanssa vaatii merkittävä ML-asiantuntemuksen määrä.

Kun olet luonut TensorFlow Lite -mallisi, voit lähettää ne Firebaseen, ja Google hallitsee sitten näiden mallien ylläpitoa ja palvelemista loppukäyttäjillesi. Tässä skenaariossa ML Kit toimii API-kerroksena mukautetun mallin yläpuolella, mikä yksinkertaistaa joitain räätälöityjen mallien käyttöön liittyviä raskaiden nostureiden ominaisuuksia. Tärkeintä on, että ML Kit työntää automaattisesti uusimman version mallisi käyttäjillesi, joten sinun ei tarvitse päivittää sovellustasi joka kerta, kun haluat muokata malliasi.

Parhaan mahdollisen käyttökokemuksen tarjoamiseksi voit määritellä ehdot, jotka on täytettävä, ennen kuin sovelluksesi lataa uusia TensorFlow Lite -mallisi versioita, esimerkiksi päivittämällä mallia vain, kun laite on käyttämättömänä, latautumassa tai yhteydessä Wi- fi. Voit jopa käyttää ML-sarjaa ja TensorFlow Litea muiden Firebase-palveluiden rinnalla, esimerkiksi käyttämällä Firebase Remote Config- ja Firebase A / B -testauksia palvellakseen eri malleja erilaisille käyttäjäryhmille.

Jos haluat siirtyä valmiiksi rakennettujen mallien ulkopuolelle tai jos ML Kitin olemassa olevat mallit eivät vastaa aivan tarpeitasi, voit oppia lisää omien koneoppimismallien luomisesta virallisissa Firebase-asiakirjoissa.

Käärimistä

Tässä artikkelissa tarkasteltiin Googlen koneoppimispakkauksen kutakin osaa ja käsiteltiin joitain yleisiä skenaarioita, joissa sinun kannattaa käyttää kutakin ML Kit -sovellusliittymää.

Google aikoo lisätä tulevaisuudessa lisää sovellusliittymiä, joten mitkä koneoppimissovellusliittymät haluaisit lisätä seuraavaksi ML Kit -sovellukseen? Kerro meille alla olevissa kommenteissa!