קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
Firebase Machine Learning
plat_iosplat_androidplat_flutter
שימוש בלמידת מכונה באפליקציות שלכם כדי לפתור בעיות בעולם האמיתי.
Firebase Machine Learning הוא SDK לנייד שמביא את המומחיות של Google בתחום הלמידה מחישובים לאפליקציות ל-Android ולאפליקציות של אפל בחבילה עוצמתית ונוחה לשימוש. לא משנה אם אתם חדשים בתחום של למידת מכונה או מנוסים בו, אתם יכולים להטמיע את הפונקציונליות שאתם צריכים בכמה שורות קוד בלבד. לא צריך ידע מעמיק ברשתות נוירונים או באופטימיזציה של מודלים כדי להתחיל. מצד שני, אם אתם מפתחים מנוסים של למידת מכונה, Firebase ML מספקת ממשקי API נוחים שיעזרו לכם להשתמש במודלים מותאמים אישית של TensorFlow Lite באפליקציות לנייד.
יכולות עיקריות
אירוח ופריסה של מודלים בהתאמה אישית
שימוש במודלים של TensorFlow Lite משלכם להסקת מסקנות במכשיר. פשוט פורסים את המודל ב-Firebase, ואנחנו נדאג לאירוח שלו ולהצגה שלו באפליקציה. מערכת Firebase תציג למשתמשים באופן דינמי את הגרסה העדכנית של המודל, ותאפשר לכם לעדכן אותם באופן קבוע בלי שתצטרכו לשלוח למשתמשים גרסה חדשה של האפליקציה.
כשמשתמשים ב-Firebase ML עם Remote Config, אפשר להציג מודלים שונים לפלחי משתמשים שונים, וכשמשתמשים ב-A/B Testing, אפשר להריץ ניסויים כדי למצוא את המודל עם הביצועים הכי טובים (ראו את המדריכים ל-Apple ול-Android).
מוכן לשימוש בסביבת ייצור בתרחישים נפוצים
Firebase ML מגיע עם קבוצה של ממשקי API מוכנים לשימוש לתרחישי שימוש נפוצים בנייד: זיהוי טקסט, תיוג תמונות וזיהוי ציוני דרך.
פשוט מעבירים נתונים לספרייה Firebase ML והיא מספקת את המידע שאתם צריכים. ממשקי ה-API האלה מתבססים על טכנולוגיית למידת המכונה של Google Cloud כדי לספק לכם את רמת הדיוק הגבוהה ביותר.
בענן לעומת במכשיר
Firebase ML כולל ממשקי API שפועלים בענן או במכשיר.
כשמציינים שממשק API של ML הוא ממשק API בענן או ממשק API במכשיר, הכוונה היא למכונה שמבצעת את ההסקה, כלומר למכונה שמשתמשת במודל ה-ML כדי להפיק תובנות לגבי הנתונים שאתם מספקים לה. ב-Firebase ML, הפעולה הזו מתבצעת ב-Google Cloud או במכשירים הניידים של המשתמשים.
ממשקי ה-API לזיהוי טקסט, להוספת תוויות לתמונות ולזיהוי ציוני דרך מבצעים הסקה בענן. למודלים האלה יש יותר כוח חישובי וזיכרון זמינים מאשר למודל מקביל במכשיר, וכתוצאה מכך, הם יכולים לבצע הסקה ברמת דיוק גבוהה יותר מאשר מודל במכשיר.
מצד שני, כל בקשה לממשקי ה-API האלה דורשת הלוך ושוב ברשת, ולכן הם לא מתאימים לאפליקציות בזמן אמת עם השהיה נמוכה, כמו עיבוד סרטונים.
ממשקי ה-API של המודלים בהתאמה אישית עוסקים במודלים של למידת מכונה שפועלים במכשיר. המודלים שבהם התכונות האלה משתמשות והמודלים שהן יוצרות הם מודלים של TensorFlow Lite, שעברו אופטימיזציה להפעלה במכשירים ניידים. היתרון הגדול ביותר של המודלים האלה הוא שהם לא דורשים חיבור לרשת ויכולים לפעול במהירות רבה – מהירה מספיק, למשל, כדי לעבד פריימים של סרטון בזמן אמת.
Firebase ML מאפשרת לפרוס מודלים בהתאמה אישית במכשירים של המשתמשים על ידי העלאה שלהם לשרתים שלנו. האפליקציה שלכם עם Firebase תוריד את המודל למכשיר לפי דרישה. כך אפשר לשמור על גודל התקנה ראשוני קטן של האפליקציה, ולהחליף את מודל ה-ML בלי לפרסם מחדש את האפליקציה.
ML Kit: מודלים מוכנים לשימוש במכשיר
אם אתם מחפשים מודלים שאומנו מראש ופועלים במכשיר, כדאי לעיין ב-ML Kit. ML Kit זמין ל-iOS ול-Android, ויש לו ממשקי API להרבה תרחישי שימוש:
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2025-08-23 (שעון UTC)."],[],[],null,["Firebase Machine Learning \nplat_ios plat_android plat_flutter \nUse machine learning in your apps to solve real-world problems. \n\nFirebase Machine Learning is a mobile SDK that brings Google's machine\nlearning expertise to Android and Apple apps in a powerful yet easy-to-use\npackage. Whether you're new or experienced in machine learning, you can\nimplement the functionality you need in just a few lines of code. There's no\nneed to have deep knowledge of neural networks or model optimization to get\nstarted. On the other hand, if you are an experienced ML developer,\nFirebase ML provides convenient APIs that help you use your custom\nTensorFlow Lite models in your mobile apps.\n| This is a beta release of Firebase ML. This API might be changed in backward-incompatible ways and is not subject to any SLA or deprecation policy.\n\nKey capabilities\n\n|---------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| Host and deploy custom models | Use your own TensorFlow Lite models for on-device inference. Just deploy your model to Firebase, and we'll take care of hosting and serving it to your app. Firebase will dynamically serve the latest version of the model to your users, allowing you to regularly update them without having to push a new version of your app to users. When you use Firebase ML with [Remote Config](/docs/remote-config), you can serve different models to different user segments, and with [A/B Testing](/docs/ab-testing), you can run experiments to find the best performing model (see the [Apple](/docs/ml/ios/ab-test-models) and [Android](/docs/ml/android/ab-test-models) guides). |\n| Production-ready for common use cases | Firebase ML comes with a set of ready-to-use APIs for common mobile use cases: recognizing text, labeling images, and identifying landmarks. Simply pass in data to the Firebase ML library and it gives you the information you need. These APIs leverage the power of Google Cloud's machine learning technology to give you the highest level of accuracy. |\n\nCloud vs. on-device\n\nFirebase ML has APIs that work either in the cloud or on the device.\nWhen we describe an ML API as being a cloud API or on-device API, we are\ndescribing *which machine performs inference* : that is, which machine uses the\nML model to discover insights about the data you provide it. In Firebase ML,\nthis happens either on Google Cloud, or on your users' mobile devices.\n\nThe text recognition, image labeling, and landmark recognition APIs perform\ninference in the cloud. These models have more computational power and memory\navailable to them than a comparable on-device model, and as a result, can\nperform inference with greater accuracy and precision than an on-device model.\nOn the other hand, every request to these APIs requires a network round-trip,\nwhich makes them unsuitable for real-time and low-latency applications such as\nvideo processing.\n\nThe custom model APIs deal with ML models that run on the\ndevice. The models used and produced by these features are\n[TensorFlow Lite](https://tensorflow.org/lite) models, which are\noptimized to run on mobile devices. The biggest advantage to these models is\nthat they don't require a network connection and can run very quickly---fast\nenough, for example, to process frames of video in real time.\n\nFirebase ML provides\nthe ability to deploy custom models to your users' devices by\nuploading them to our servers. Your Firebase-enabled app will download the\nmodel to the device on demand. This allows you to keep your app's initial\ninstall size small, and you can swap the ML model without having to republish\nyour app.\n\nML Kit: Ready-to-use on-device models On June 3, 2020, we started offering ML Kit's on-device APIs through a\n| [new\n| standalone SDK](https://developers.google.com/ml-kit).\n| Google Cloud APIs and custom model deployment will\n| continue to be available through Firebase Machine Learning.\n\nIf you're looking for pre-trained models that run on the device, check out\n[ML Kit](https://developers.google.com/ml-kit). ML Kit is available\nfor iOS and Android, and has APIs for many use cases:\n\n- Text recognition\n- Image labeling\n- Object detection and tracking\n- Face detection and contour tracing\n- Barcode scanning\n- Language identification\n- Translation\n- Smart Reply\n\nNext steps\n\n- Explore the ready-to-use APIs: [text recognition](/docs/ml/recognize-text), [image labeling](/docs/ml/label-images), and [landmark recognition](/docs/ml/recognize-landmarks).\n- Learn about using mobile-optimized [custom models](/docs/ml/use-custom-models) in your app."]]
