फायरबेस मशीन लर्निंग
वास्तविक दुनिया की समस्याओं को हल करने के लिए अपने ऐप्स में मशीन लर्निंग का उपयोग करें।
फायरबेस मशीन लर्निंग एक मोबाइल एसडीके है जो Google की मशीन सीखने की विशेषज्ञता को Android और Apple ऐप्स के लिए एक शक्तिशाली लेकिन उपयोग में आसान पैकेज में लाता है। चाहे आप मशीन लर्निंग में नए हों या अनुभवी हों, आप कोड की कुछ ही पंक्तियों में आवश्यक कार्यात्मकता लागू कर सकते हैं। आरंभ करने के लिए तंत्रिका नेटवर्क या मॉडल अनुकूलन के गहन ज्ञान की आवश्यकता नहीं है। दूसरी ओर, यदि आप एक अनुभवी ML डेवलपर हैं, तो Firebase ML सुविधाजनक API प्रदान करता है जो आपके मोबाइल ऐप्स में आपके कस्टम TensorFlow Lite मॉडल का उपयोग करने में आपकी सहायता करता है।
प्रमुख क्षमताएं
| कस्टम मॉडल होस्ट और तैनात करें | ऑन-डिवाइस अनुमान के लिए अपने स्वयं के TensorFlow Lite मॉडल का उपयोग करें। बस अपने मॉडल को Firebase पर तैनात करें, और हम इसे आपके ऐप पर होस्ट करने और सर्व करने का ध्यान रखेंगे। Firebase गतिशील रूप से आपके उपयोगकर्ताओं को मॉडल का नवीनतम संस्करण प्रदान करेगा, जिससे आप उपयोगकर्ताओं को अपने ऐप के नए संस्करण को पुश किए बिना उन्हें नियमित रूप से अपडेट कर सकेंगे। जब आप Remote Config के साथ Firebase ML का उपयोग करते हैं, तो आप अलग-अलग मॉडल को अलग-अलग उपयोगकर्ता सेगमेंट में सर्व कर सकते हैं, और A/B टेस्टिंग के साथ, आप सबसे अच्छा प्रदर्शन करने वाले मॉडल को खोजने के लिए प्रयोग चला सकते हैं ( Apple और Android गाइड देखें)। |
| सामान्य उपयोग के मामलों के लिए उत्पादन-तैयार | फायरबेस एमएल आम मोबाइल उपयोग के मामलों के लिए रेडी-टू-यूज़ एपीआई के एक सेट के साथ आता है: पाठ को पहचानना, छवियों को लेबल करना और स्थलों की पहचान करना। बस डेटा को फायरबेस एमएल लाइब्रेरी में पास करें और यह आपको वह जानकारी देता है जिसकी आपको आवश्यकता है। ये एपीआई आपको उच्चतम स्तर की सटीकता प्रदान करने के लिए Google क्लाउड की मशीन लर्निंग तकनीक की शक्ति का लाभ उठाते हैं। |
क्लाउड बनाम ऑन-डिवाइस
फायरबेस एमएल में एपीआई हैं जो या तो क्लाउड में या डिवाइस पर काम करते हैं। जब हम एमएल एपीआई को क्लाउड एपीआई या ऑन-डिवाइस एपीआई के रूप में वर्णित करते हैं, तो हम यह वर्णन कर रहे हैं कि कौन सी मशीन अनुमान लगाती है: यानी, कौन सी मशीन आपके द्वारा प्रदान किए गए डेटा के बारे में जानकारी खोजने के लिए एमएल मॉडल का उपयोग करती है। Firebase ML में, यह या तो Google क्लाउड पर या आपके उपयोगकर्ताओं के मोबाइल उपकरणों पर होता है।
टेक्स्ट रिकग्निशन, इमेज लेबलिंग और लैंडमार्क रिकग्निशन एपीआई क्लाउड में इंट्रेंस करते हैं। इन मॉडलों में तुलनात्मक ऑन-डिवाइस मॉडल की तुलना में अधिक कम्प्यूटेशनल शक्ति और मेमोरी उपलब्ध है, और इसके परिणामस्वरूप, ऑन-डिवाइस मॉडल की तुलना में अधिक सटीकता और सटीकता के साथ अनुमान लगा सकते हैं। दूसरी ओर, इन एपीआई के प्रत्येक अनुरोध के लिए एक नेटवर्क राउंड-ट्रिप की आवश्यकता होती है, जो उन्हें वास्तविक समय और कम-विलंबता अनुप्रयोगों जैसे वीडियो प्रसंस्करण के लिए अनुपयुक्त बनाता है।
कस्टम मॉडल एपीआई डिवाइस पर चलने वाले एमएल मॉडल से निपटते हैं। इन सुविधाओं द्वारा उपयोग और निर्मित किए गए मॉडल TensorFlow Lite मॉडल हैं, जिन्हें मोबाइल उपकरणों पर चलने के लिए अनुकूलित किया गया है। इन मॉडलों का सबसे बड़ा लाभ यह है कि उन्हें नेटवर्क कनेक्शन की आवश्यकता नहीं होती है और वे बहुत तेजी से चल सकते हैं—काफी तेजी से, उदाहरण के लिए, वास्तविक समय में वीडियो के फ्रेम को संसाधित करने के लिए।
फायरबेस एमएल आपके उपयोगकर्ताओं के उपकरणों को हमारे सर्वर पर अपलोड करके कस्टम मॉडल को तैनात करने की क्षमता प्रदान करता है। आपका फायरबेस-सक्षम ऐप डिवाइस पर मॉडल को मांग पर डाउनलोड करेगा। यह आपको अपने ऐप के शुरुआती इंस्टॉल आकार को छोटा रखने की अनुमति देता है, और आप अपने ऐप को पुनः प्रकाशित किए बिना एमएल मॉडल को स्वैप कर सकते हैं।
एमएल किट: रेडी-टू-यूज ऑन-डिवाइस मॉडल
यदि आप डिवाइस पर चलने वाले पूर्व-प्रशिक्षित मॉडल की तलाश कर रहे हैं, तो एमएल किट देखें। एमएल किट आईओएस और एंड्रॉइड के लिए उपलब्ध है, और इसमें कई उपयोग मामलों के लिए एपीआई हैं:
- पाठ पहचान
- छवि लेबलिंग
- वस्तु का पता लगाने और ट्रैकिंग
- फेस डिटेक्शन और कंटूर ट्रेसिंग
- बारकोड स्कैनिंग
- भाषा की पहचान
- अनुवाद
- स्मार्ट उत्तर
अगले कदम
- रेडी-टू-यूज़ एपीआई का अन्वेषण करें: टेक्स्ट रिकग्निशन , इमेज लेबलिंग और लैंडमार्क रिकग्निशन ।
- अपने ऐप में मोबाइल-अनुकूलित कस्टम मॉडल का उपयोग करने के बारे में जानें।