Google is committed to advancing racial equity for Black communities. See how.
本頁面由 Cloud Translation API 翻譯而成。
Switch to English

Firebase機器學習

在您的應用中使用機器學習來解決實際問題。

Firebase Machine Learning是一個移動SDK,通過功能強大且易於使用的軟件包將Google的機器學習專業知識引入Android和iOS應用程序。無論您是機器學習的新手還是經驗豐富的人,都可以僅用幾行代碼即可實現所需的功能。無需具備深入的神經網絡知識或模型優化知識即可上手。另一方面,如果您是經驗豐富的ML開發人員,Firebase ML提供了便捷的API,可幫助您在移動應用中使用自定義的TensorFlow Lite模型。

關鍵能力

託管和部署自定義模型

使用您自己的TensorFlow Lite模型進行設備上推理。只需將您的模型部署到Firebase,我們將負責託管並將其提供給您的應用。 Firebase將為用戶動態提供模型的最新版本,從而使您可以定期更新它們,而不必向用戶推送應用程序的新版本。

當您將Firebase ML與Remote Config一起使用時 ,可以為不同的用戶細分提供不同的模型,並且通過A / B Testing可以運行實驗以找到性能最佳的模型(請參閱iOSAndroid指南)。

自動訓練模型

借助Firebase ML和AutoML Vision Edge,您可以輕鬆訓練自己的TensorFlow Lite圖像標籤模型,將其用於應用程序中以識別照片中的概念。上傳訓練數據(您自己的圖像和標籤),AutoML Vision Edge將使用它們在雲中訓練自定義模型。

生產就緒,適用於常見用例

Firebase ML隨附了一組針對常見移動用例的即用型API:識別文本,標記圖像和標識地標。只需將數據傳遞到Firebase ML庫,即可為您提供所需的信息。這些API利用Google Cloud Platform機器學習技術的強大功能為您提供最高的準確性。

雲與設備

Firebase ML具有可在雲中或設備上運行的API。當我們將ML API描述為雲API或設備上API時,我們是在描述執行推理的機器 :即,哪台機器使用ML模型來發現有關您提供的數據的見解。在Firebase ML中,這發生在Google Cloud或用戶的移動設備上。

文本識別,圖像標籤和地標識別API在雲中執行推理。與可比的設備上模型相比,這些模型具有更多的計算能力和可用內存,因此,與設備上模型相比,它們可以以更高的準確性和精度執行推理。另一方面,對這些API的每個請求都需要網絡往返,這使其不適用於實時和低延遲的應用程序,例如視頻處理。

定制模型API和AutoML Vision Edge處理在設備上運行的ML模型。這些功能使用和產生的模型是TensorFlow Lite模型,這些模型經過優化可在移動設備上運行。這些模型的最大優點是它們不需要網絡連接,並且可以非常快速地運行-例如,足夠快以實時處理視頻幀。

Firebase ML提供圍繞設備自定義模型的兩項關鍵功能:

  • 自定義模型部署 :通過將自定義模型上傳到我們的服務器,將其部署到用戶的設備上。您啟用了Firebase的應用程序將按需將模型下載到設備上。這使您可以減小應用程序的初始安裝大小,並且可以交換ML模型,而無需重新發​​布應用程序。

  • AutoML Vision Edge :此服務可幫助您使用易於使用的Web界面創建設備上的自定義圖像分類模型。然後,您可以使用上述服務無縫託管您創建的模型。

ML套件:即用型設備上模型

如果您正在尋找在設備上運行的預訓練模型,請查看ML Kit 。 ML Kit適用於iOS和Android,並且具有許多用例的API:

  • 文字識別
  • 圖像標籤
  • 目標檢測與追踪
  • 人臉檢測和輪廓追踪
  • 條碼掃描
  • 語言識別
  • 翻譯
  • 智能回复

下一步