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 機器學習是一種移動 SDK,它以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。無論您是機器學習新手還是老手,都可以通過幾行代碼實現您需要的功能。無需深入了解神經網絡或模型優化即可開始使用。另一方面,如果您是經驗豐富的 ML 開發人員,Firebase ML 提供了方便的 API,可幫助您在移動應用中使用自定義 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 模型進行設備端推理。只需將您的模型部署到 Firebase,我們就會負責託管並將其提供給您的應用。 Firebase 會動態地為您的用戶提供最新版本的模型,讓您可以定期更新他們,而無需向用戶推送新版本的應用程序。

當您使用火力地堡ML與遠程配置,可以提供不同型號不同的用戶群,並與A / B測試,您可以通過運行實驗來找到最好的執行模型(見的iOSAndroid的指南)。

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 圖像標記模型,您可以在應用中使用這些模型來識別照片中的概念。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。

適用於常見用例的生產就緒

Firebase ML 附帶一組用於常見移動用例的即用型 API:識別文本、標記圖像和識別地標。只需將數據傳遞到 Firebase ML 庫,它就會為您提供所需的信息。這些 API 利用 Google Cloud 機器學習技術的強大功能,為您提供最高級別的準確性。

雲與設備端

Firebase ML 具有可在雲端或設備上運行的 API。當我們描述一個ML API作為一個雲API或設備上的API,我們正在描述該機器進行推論:那就是,哪台機器使用ML模型發現有關你提供給它的數據洞察。在 Firebase ML 中,這發生在 Google Cloud 或您用戶的移動設備上。

文本識別、圖像標記和地標識別 API 在雲端執行推理。與類似的設備端模型相比,這些模型具有更多的計算能力和可用內存,因此可以比設備端模型更準確和精確地執行推理。另一方面,對這些 API 的每個請求都需要網絡往返,這使得它們不適合視頻處理等實時和低延遲應用程序。

自定義模型 API 和 AutoML Vision Edge 處理在設備上運行的 ML 模型。使用和產生通過這些特徵的模型是TensorFlow精簡版模型,其被優化以在移動設備上運行。這些模型的最大優勢在於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 圍繞設備上的自定義模型提供了兩項關鍵功能:

  • 自定義模型部署:部署定制機型被上傳到我們的服務器用戶的設備。啟用 Firebase 的應用會按需將模型下載到設備。這允許您保持應用的初始安裝大小較小,並且您可以交換 ML 模型而無需重新發​​布您的應用。

  • AutoML願景邊:此服務可幫助您創建自己的設備上的自定義圖像分類模型與一個易於使用的Web界面。然後,您可以無縫託管您使用上述服務創建的模型。

機器學習套件:即用型設備端模型

如果你正在尋找一個運行在設備上預先訓練模式,看看ML套件。 ML Kit 適用於 iOS 和 Android,並具有適用於許多用例的 API:

  • 文字識別
  • 圖像標記
  • 對象檢測和跟踪
  • 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