ML Kit für Firebase
Nutzen Sie maschinelles Lernen in Ihren Apps, um reale Probleme zu lösen.
ML Kit ist ein mobiles SDK, mit dem Sie das Know-how von Google im Bereich maschinelles Lernen Android- und iOS-Apps in einem leistungsstarken und dennoch benutzerfreundlichen Paket Ganz gleich, ob Sie oder Erfahrung in maschinellem Lernen haben, können Sie die Funktion mit nur wenigen Codezeilen. Sie brauchen kein tiefes Wissen neuronale Netzwerke oder die Modelloptimierung nutzen können. Wenn Sie jedoch erfahrene ML-Entwickler, ML Kit bietet praktische APIs, Ihre benutzerdefinierten TensorFlow Lite-Modelle in Ihren mobilen Apps verwenden.
Hauptmerkmale
| Produktionsbereit für häufige Anwendungsfälle |
ML Kit umfasst eine Reihe sofort einsatzbereiter APIs für gängige mobile Anwendungen Fälle: Texterkennung, Gesichtserkennung, Identifizieren von Sehenswürdigkeiten, Scannen Barcodes, Beschriftungen von Bildern und Identifizieren der Sprache des Textes. Einfach Daten an die ML Kit-Bibliothek übergeben. Sie erhalten dann die Informationen, die Sie brauchen. |
| Auf dem Gerät oder in der Cloud |
Die von ML Kit ausgewählten APIs lassen sich auf dem Gerät oder in der Cloud ausführen. Unsere können On-Device-APIs Ihre Daten schnell verarbeiten, keine Netzwerkverbindung. Unsere cloudbasierten APIs dagegen Das Potenzial der ML-Technologie von Google Cloud nutzen um eine noch höhere Genauigkeit zu erreichen. |
| Benutzerdefinierte Modelle bereitstellen |
Wenn die APIs von ML Kit Ihre Anwendungsfälle nicht abdecken, können Sie eigenen TensorFlow Lite-Modellen nutzen können. Laden Sie einfach Ihr Modell in Firebase. Wir kümmern uns um das Hosting und die Bereitstellung für Ihre App. ML Kit fungiert als API-Ebene für Ihr benutzerdefiniertes Modell, sodass es einfacher ist, ausführen und verwenden. |
Funktionsweise
Mit ML Kit können Sie ML-Techniken ganz einfach in Ihren Apps anwenden, da die ML-Technologien von Google wie die Google Cloud Vision API, TensorFlow Lite und die Android Neural Networks API in einem einzigen SDK zusammengefasst sind. Ganz gleich, ob Sie die leistungsstarke cloudbasierte Verarbeitung benötigen, die Echtzeitfunktionen von für Mobilgeräte optimierten On-Device-Modellen oder die Flexibilität benutzerdefinierter TensorFlow Lite-Modelle haben, ermöglicht ML Kit mit nur ein paar Zeilen Code schreiben.
Welche Funktionen sind auf dem Gerät oder in der Cloud verfügbar?
Vorgehensweise bei der Implementierung
| SDK einbinden | Binde das SDK schnell mithilfe von Gradle oder CocoaPods ein. | |
| Eingabedaten vorbereiten | Wenn Sie beispielsweise eine Vision-Funktion verwenden, nehmen Sie ein Bild von der Kamera und generieren die erforderlichen Metadaten wie Bilddrehung oder Prompt können Nutzer ein Foto aus ihrer Galerie auswählen. | |
| ML-Modell auf Daten anwenden | Durch die Anwendung des ML-Modells auf Ihre Daten gewinnen Sie Erkenntnisse wie den emotionalen Zustand erkannter Gesichter oder der Objekte und Konzepte, die im Bild erkannt werden, je nach verwendeter Funktion. Mit diesen Informationen können Sie Funktionen in Ihrer App wie Fotoverschönerung, automatische Metadatengenerierung oder was auch immer Sie sich vorstellen können, optimieren. |
Nächste Schritte
- Sofort einsatzbereite APIs: Texterkennung, Gesichtserkennung, Barcode-Scan Bildlabel, Objekterkennung und verfolgen, Erkenntnis von Sehenswürdigkeiten Intelligente Antwort, Übersetzung und Spracherkennung.
- Eigenes Bild-Labeling-Modell trainieren mit AutoML Vision Edge:
- Weitere Informationen zur Verwendung von benutzerdefinierten Modellen, die für Mobilgeräte optimiert sind