AutoML Vision Edge
สร้างแบบจำลองการจัดประเภทรูปภาพแบบกำหนดเองจากข้อมูลการฝึกของคุณเองด้วย AutoML Vision Edge
หากคุณต้องการที่จะรับรู้เนื้อหาของภาพอีกทางเลือกหนึ่งคือการใช้ ML ชุด บนอุปกรณ์ภาพการติดฉลาก API หรือ บนอุปกรณ์ตรวจจับวัตถุ API โมเดลที่ใช้โดย API เหล่านี้สร้างขึ้นเพื่อการใช้งานทั่วไป และได้รับการฝึกอบรมให้รู้จักแนวคิดที่พบได้บ่อยที่สุดในภาพถ่าย
หากคุณต้องการการติดฉลากรูปภาพที่เชี่ยวชาญมากขึ้นหรือโมเดลการตรวจจับวัตถุ ซึ่งครอบคลุมขอบเขตแนวคิดที่แคบกว่าในรายละเอียดมากขึ้น เช่น โมเดลเพื่อแยกความแตกต่างระหว่างสายพันธุ์ของดอกไม้หรือประเภทของอาหาร คุณสามารถใช้ Firebase ML และ AutoML Vision Edge เพื่อฝึกฝนได้ โมเดลที่มีรูปภาพและหมวดหมู่ของคุณเอง โมเดลที่กำหนดเองได้รับการฝึกอบรมใน Google Cloud และเมื่อโมเดลพร้อมแล้ว ก็จะใช้งานบนอุปกรณ์ได้อย่างเต็มที่
ความสามารถที่สำคัญ
| ฝึกโมเดลตามข้อมูลของคุณ | ฝึกโมเดลการติดฉลากรูปภาพและการตรวจจับวัตถุแบบกำหนดเองโดยอัตโนมัติเพื่อจดจำป้ายกำกับที่คุณสนใจ โดยใช้ข้อมูลการฝึกของคุณ |
| โฮสติ้งโมเดลในตัว | โฮสต์โมเดลของคุณด้วย Firebase และโหลดโมเดลในขณะใช้งาน เมื่อโฮสต์โมเดลบน Firebase คุณจะมั่นใจได้ว่าผู้ใช้มีโมเดลล่าสุดโดยไม่ต้องเปิดตัวแอปเวอร์ชันใหม่ และแน่นอน คุณยังสามารถรวมโมเดลเข้ากับแอปของคุณได้ ดังนั้นจึงพร้อมให้ติดตั้งได้ทันที |
เส้นทางการดำเนินการ
| รวบรวมข้อมูลการฝึก | รวบรวมชุดข้อมูลของตัวอย่างของแต่ละป้ายกำกับที่คุณต้องการให้โมเดลของคุณจดจำ | |
| ฝึกโมเดลใหม่ | ใน Google Cloud Console ให้นำเข้าข้อมูลการฝึกของคุณและใช้เพื่อฝึกโมเดลใหม่ | |
| ใช้โมเดลในแอพของคุณ | รวมโมเดลเข้ากับแอปของคุณหรือดาวน์โหลดจาก Firebase เมื่อจำเป็น จากนั้นใช้โมเดลเพื่อติดป้ายกำกับรูปภาพบนอุปกรณ์ |
ราคาและขีดจำกัด
ในการฝึกโมเดลที่กำหนดเองด้วย AutoML Vision Edge คุณต้องใช้แผนจ่ายตามการใช้งาน (Blaze)
| ชุดข้อมูล | การเรียกเก็บเงินตาม อัตราการจัดเก็บเมฆ |
|---|---|
| รูปภาพต่อชุดข้อมูล | 1,000,000 |
| ชั่วโมงการฝึก | ไม่จำกัดรุ่นต่อรุ่น |
ขั้นตอนถัดไป
- เรียนรู้วิธีการ ฝึกรูปแบบการติดฉลากภาพ
- เรียนรู้วิธีการ ฝึกรูปแบบการตรวจจับวัตถุ