Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Firebase Machine Learning
plat_iosplat_androidplat_flutter
Gerçek hayattaki sorunları çözmek için uygulamalarınızda makine öğreniminden yararlanın.
Firebase Machine Learning, Google'ın makine öğrenimi uzmanlığını Android ve Apple uygulamalarına taşıyan, güçlü ancak kullanımı kolay bir mobil SDK'dır. Makine öğrenimi konusunda yeni veya deneyimli olmanız fark etmeksizin, ihtiyacınız olan işlevselliği yalnızca birkaç satır kodla uygulayabilirsiniz. Başlamak için nöral ağlar veya model optimizasyonu hakkında derinlemesine bilgi sahibi olmanız gerekmez. Öte yandan, deneyimli bir makine öğrenimi geliştiricisiyseniz Firebase ML, özel TensorFlow Lite modellerinizi mobil uygulamalarınızda kullanmanıza yardımcı olan kullanışlı API'ler sunar.
Temel özellikler
Özel modelleri barındırma ve dağıtma
Cihaz üzerinde çıkarım için kendi TensorFlow Lite modellerinizi kullanın. Modelinizi Firebase'e dağıtmanız yeterlidir. Barındırma ve uygulamanıza sunma işlemlerini biz hallederiz. Firebase, modelin en son sürümünü kullanıcılarınıza dinamik olarak sunar. Böylece, uygulamanızın yeni bir sürümünü kullanıcılara göndermeniz gerekmeden modeli düzenli olarak güncelleyebilirsiniz.
Firebase ML ile Remote Config'ı kullandığınızda farklı kullanıcı segmentlerine farklı modeller sunabilir, A/B Testing ile de en iyi performansı gösteren modeli bulmak için denemeler yapabilirsiniz (Apple ve Android kılavuzlarına bakın).
Yaygın kullanım alanları için üretime hazır
Firebase ML, yaygın mobil kullanım alanları için kullanıma hazır bir dizi API ile birlikte gelir: metin tanıma, resim etiketleme ve önemli yerleri tanımlama.
Verileri Firebase ML kitaplığına iletmeniz yeterlidir. Kitaplık, ihtiyacınız olan bilgileri sağlar. Bu API'ler, en yüksek doğruluk seviyesini sunmak için Google Cloud'ın makine öğrenimi teknolojisinin gücünden yararlanır.
Bulut ve cihaz üzerinde
Firebase ML, bulutta veya cihazda çalışan API'lere sahiptir.
Bir makine öğrenimi API'sini bulut API'si veya cihaz üzerinde API olarak tanımladığımızda çıkarımı hangi makinenin gerçekleştirdiğini tanımlıyoruz. Yani, sağladığınız verilerle ilgili analizler bulmak için makine öğrenimi modelini hangi makinenin kullandığını belirtiyoruz. Firebase ML içinde bu işlem Google Cloud veya kullanıcılarınızın mobil cihazlarında gerçekleşir.
Metin tanıma, görüntü etiketleme ve önemli nokta tanıma API'leri bulutta çıkarım gerçekleştirir. Bu modeller, cihaz üzerinde çalışan benzer bir modele kıyasla daha fazla işlem gücüne ve belleğe sahiptir. Bu nedenle, cihaz üzerinde çalışan bir modele kıyasla daha doğru ve hassas çıkarımlar yapabilirler.
Öte yandan, bu API'lere yapılan her istek için ağda gidiş dönüş yapılması gerekir. Bu durum, bu API'leri video işleme gibi gerçek zamanlı ve düşük gecikmeli uygulamalar için uygunsuz hale getirir.
Özel model API'leri, cihazda çalışan makine öğrenimi modelleriyle ilgilenir. Bu özellikler tarafından kullanılan ve üretilen modeller, mobil cihazlarda çalışacak şekilde optimize edilmiş TensorFlow Lite modelleridir. Bu modellerin en büyük avantajı, ağ bağlantısı gerektirmemeleri ve çok hızlı çalışabilmeleridir. Örneğin, video karelerini gerçek zamanlı olarak işleyecek kadar hızlıdırlar.
Firebase ML, özel modelleri sunucularımıza yükleyerek kullanıcılarınızın cihazlarına dağıtma olanağı sunar. Firebase'in etkinleştirildiği uygulamanız, modeli cihaza isteğe bağlı olarak indirir. Bu sayede, uygulamanızın ilk yükleme boyutunu küçük tutabilir ve makine öğrenimi modelini uygulamanızı yeniden yayınlamadan değiştirebilirsiniz.
ML Kit: Kullanıma hazır cihaz üzerinde modeller
Cihazda çalışan önceden eğitilmiş modeller arıyorsanız ML Kit'e göz atın. iOS ve Android'de kullanılabilen ML Kit, birçok kullanım alanı için API'ler sunar:
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2025-08-23 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."]]
