AutoML Vision Edge
Twórz niestandardowe modele klasyfikacji obrazów na podstawie własnych danych treningowych za pomocą AutoML Vision Edge.
Jeśli chcesz rozpoznać zawartość obrazu, jedną z opcji jest użycie interfejsu API etykietowania obrazów na urządzeniu ML Kit lub interfejsu API wykrywania obiektów na urządzeniu . Modele używane przez te interfejsy API są zbudowane do użytku ogólnego i są przeszkolone w zakresie rozpoznawania najczęściej spotykanych pojęć na zdjęciach.
Jeśli potrzebujesz bardziej wyspecjalizowanego modelu oznaczania obrazów lub wykrywania obiektów, obejmującego węższą domenę pojęć bardziej szczegółowo — na przykład model do rozróżniania gatunków kwiatów lub rodzajów żywności — możesz użyć Firebase ML i AutoML Vision Edge do trenowania model z własnymi zdjęciami i kategoriami. Model niestandardowy jest szkolony w Google Cloud, a gdy model jest gotowy, jest w pełni używany na urządzeniu.
Zacznij od oznaczania obrazów Zacznij od wykrywania obiektów
Kluczowe możliwości
Trenuj modele na podstawie Twoich danych | Automatycznie trenuj niestandardowe modele etykietowania obrazów i wykrywania obiektów w celu rozpoznawania etykiet, na których Ci zależy, na podstawie danych treningowych. |
Wbudowany hosting modeli | Hostuj swoje modele w Firebase i ładuj je w czasie wykonywania. Hostując model w Firebase, możesz mieć pewność, że użytkownicy mają najnowszy model bez wydawania nowej wersji aplikacji. I oczywiście możesz również dołączyć model do swojej aplikacji, aby był natychmiast dostępny po instalacji. |
Ścieżka wdrożenia
Zbierz dane treningowe | Zbierz zestaw danych z przykładami każdej etykiety, którą ma rozpoznawać Twój model. | |
Wytrenuj nowy model | W Google Cloud Console zaimportuj dane treningowe i użyj ich do trenowania nowego modelu. | |
Użyj modelu w swojej aplikacji | Połącz model ze swoją aplikacją lub pobierz go z Firebase, gdy zajdzie taka potrzeba. Następnie użyj modelu do oznaczenia zdjęć na urządzeniu. |
Ceny i limity
Aby trenować modele niestandardowe za pomocą AutoML Vision Edge, musisz korzystać z planu płatności zgodnie z rzeczywistym użyciem (Blaze).
Zbiory danych | Rozliczanie według stawek Cloud Storage |
---|---|
Obrazy na zbiór danych | 1 000 000 |
Godziny szkoleń | Brak limitu na model |
Następne kroki
- Dowiedz się, jak wytrenować model etykietowania obrazów .
- Dowiedz się, jak trenować model wykrywania obiektów .