AutoML Vision Edge
Twórz niestandardowe modele klasyfikacji obrazów na podstawie własnych danych treningowych przy użyciu AutoML Vision Edge.
Jeśli chcesz rozpoznawać zawartość obrazu, możesz na przykład użyć funkcji ML Kit interfejs API do tworzenia etykiet obrazów na urządzeniu i interfejs API wykrywania obiektów na urządzeniu. Modele wykorzystywane przez te interfejsy API są przeznaczone do ogólnego użytku i są trenowane aby rozpoznawać najczęściej występujące na zdjęciach pojęcia.
Jeśli potrzebujesz bardziej wyspecjalizowanego modelu oznaczania obrazów lub wykrywania obiektów, który obejmuje węższą domenę bardziej szczegółowo omawiają koncepcje, takich jak model rozróżniania gatunków kwiatów lub rodzajów pożywienia – możesz skorzystać z Firebase ML i AutoML Vision Edge, aby wytrenować model z własnymi obrazami i kategoriami. Niestandardowy model jest trenowany w Google Cloud, a gdy będzie gotowy, będzie w pełni używany na urządzeniu.
Pierwsze kroki z oznaczaniem obrazów etykietami Pierwsze kroki z wykrywaniem obiektów
Najważniejsze funkcje
| Trenuj modele na podstawie danych |
Automatycznie trenuj modele oznaczania obrazów i wykrywania obiektów, aby dzięki danym treningowym możesz rozpoznawać etykiety, na których Ci zależy. |
| Wbudowany hosting modeli |
Hostuj swoje modele w Firebase i wczytuj je w czasie działania. Według hostując model w Firebase, możesz mieć pewność, że użytkownicy mają dostęp do najnowszych wersji bez publikowania nowej wersji aplikacji. Możesz też oczywiście połączyć model z aplikacją, dostępne od razu po instalacji. |
Ścieżka implementacji
| Zbieranie danych do trenowania | Utwórz zbiór danych z przykładami każdej etykiety, którą ma mieć model rozpoznania. | |
| Trenowanie nowego modelu | Zaimportuj dane treningowe w konsoli Google Cloud i użyj ich do trenowania i stworzyć nowy model. | |
| Użyj modelu w aplikacji | Połącz model z aplikacją lub pobierz go z Firebase, gdy jest potrzebna. Następnie użyj modelu, aby oznaczyć obrazy etykietami na urządzeniu. |
Ceny Limity
Aby trenować modele niestandardowe za pomocą AutoML Vision Edge, musisz korzystać z płatności według wykorzystania (Blaze).
| Zbiory danych | Rozliczanie wg Ceny za Cloud Storage |
|---|---|
| Liczba obrazów na zbiór danych | 1 000 000 |
| Godziny trenowania | Brak limitu na model |
Dalsze kroki
- Dowiedz się, jak wytrenować model dodawania etykiet do obrazów.
- Dowiedz się, jak wytrenować model wykrywania obiektów.