Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Firebase Machine Learning
plat_iosplat_androidplat_flutter
Gunakan machine learning di aplikasi Anda untuk memecahkan masalah di dunia nyata.
Firebase Machine Learning adalah SDK seluler yang menghadirkan keahlian machine learning Google untuk aplikasi Android dan Apple dalam paket yang andal dan mudah digunakan. Sebagai pengguna machine learning, baik pemula maupun sudah berpengalaman, Anda dapat menerapkan fungsionalitas yang diperlukan hanya dalam beberapa baris kode. Tidak perlu pengetahuan mendalam tentang jaringan neural atau pengoptimalan model untuk memulai. Di sisi lain, jika Anda adalah developer ML berpengalaman, Firebase ML menyediakan API praktis yang dapat membantu Anda menggunakan model TensorFlow Lite kustom di aplikasi seluler.
Kemampuan utama
Menghosting dan men-deploy model kustom
Gunakan model TensorFlow Lite Anda sendiri untuk inferensi di perangkat. Cukup deploy model Anda ke Firebase, dan kami akan menghosting serta menyalurkannya ke aplikasi Anda. Firebase akan menyalurkan model versi terbaru secara dinamis kepada pengguna, agar Anda dapat mengupdatenya secara berkala tanpa harus memublikasikan versi baru aplikasi Anda kepada pengguna.
Saat menggunakan Firebase ML dengan Remote Config, Anda dapat menyalurkan model yang berbeda ke segmen pengguna yang berbeda, dan dengan A/B Testing, Anda
dapat menjalankan eksperimen untuk menemukan model dengan performa terbaik (lihat panduan
Apple dan
Android).
Siap produksi untuk kasus penggunaan umum
Firebase ML dilengkapi dengan satu set API yang siap digunakan untuk kasus penggunaan seluler umum: mengenali teks, melabeli gambar, dan mengidentifikasi tempat terkenal.
Cukup teruskan data ke library Firebase ML dan Anda akan mendapatkan informasi yang diperlukan. API ini memanfaatkan kecanggihan teknologi machine learning dari Google Cloud untuk memberikan tingkat akurasi tertinggi.
Cloud vs di perangkat
Firebase ML memiliki API yang berfungsi di cloud atau di perangkat.
Saat kami mendeskripsikan ML API sebagai Cloud API atau API di perangkat, kami mendeskripsikan mesin mana yang melakukan inferensi: mesin mana yang menggunakan model ML untuk menemukan insight tentang data yang Anda berikan kepadanya. Di Firebase ML, hal ini terjadi di Google Cloud atau di perangkat seluler pengguna Anda.
API pengenalan teks, pelabelan gambar, dan pengenalan tempat terkenal melakukan inferensi di cloud. Model ini memiliki daya komputasi dan memori lebih besar dibandingkan model serupa di perangkat, sehingga dapat melakukan inferensi dengan akurasi dan presisi yang lebih tinggi daripada model di perangkat.
Di sisi lain, setiap permintaan ke API ini membutuhkan jaringan dua arah, sehingga tidak sesuai untuk aplikasi real-time dan berlatensi rendah, seperti pemrosesan video.
API model kustom menangani model ML yang berjalan di perangkat. Model yang digunakan dan dihasilkan oleh fitur ini adalah model TensorFlow Lite, yang dioptimalkan untuk berjalan di perangkat seluler. Keuntungan terbesar dari model ini adalah tidak memerlukan koneksi jaringan dan dapat berjalan dengan sangat cepat—cukup cepat untuk memproses frame video secara real time.
Firebase ML dapat men-deploy model kustom ke perangkat pengguna Anda dengan menguploadnya ke server kami. Aplikasi yang sudah mengaktifkan Firebase akan mendownload model ke perangkat sesuai permintaan. Ini memungkinkan ukuran penginstalan awal aplikasi tetap kecil, dan Anda dapat menukar model ML tanpa harus memublikasikan ulang aplikasi.
ML Kit: Model di perangkat siap pakai
Jika Anda ingin mencari model terlatih yang berjalan di perangkat, lihat ML Kit. ML Kit tersedia untuk iOS dan Android, dan memiliki API untuk banyak kasus penggunaan:
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-08-24 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."]]
