תוֹכֶן

• הכירו את ערכת הלמידה של המכונות של גוגל
• כיצד אוכל להשתמש בממשקי API של ערכת ML?
• זהה טקסט בכל תמונה, עם ממשק ה- API לזיהוי טקסט
• הבנת תוכן תמונה: ממשק API לתוויות תמונה
• הבנת ביטויים ומעקב אחר פנים: ממשק API לזיהוי פנים
• סריקת ברקודים באמצעות בסיס אש ו- ML
• למידת מכונה בענן: ממשק API לזיהוי דרך
• ממשק ה- API לזיהוי שפה: פיתוח לקהל בינלאומי
• בקרוב: תגובה חכמה
• מה הלאה? באמצעות TensorFlow Lite עם ערכת ML
• מסיימים

למידת מכונה (ML) יכולה לעזור לך ליצור חוויות חדשניות, משכנעות וייחודיות למשתמשים הניידים שלך.

לאחר שתצליחו לשלוט ב- ML, תוכלו להשתמש בו כדי ליצור מגוון רחב של אפליקציות, כולל אפליקציות המארגנות אוטומטית תמונות על סמך הנושא שלהן, מזהות ומעקבות את פניו של אדם על פני זרם חיים, מוציא טקסט מתמונה ועוד ועוד. .

אבל ML הוא לא בדיוק ידידותי למתחילים! אם אתה רוצה לשפר את אפליקציות האנדרואיד שלך עם יכולות עוצמה של למידה במכונה, איפה בדיוק אתה מתחיל?

במאמר זה, אספק סקירה של ערכת פיתוח תוכנה (SDK) (ערכת פיתוח תוכנה) שמבטיחה לשים את העוצמה של ML בהישג ידך, גם אם יש לך אפס ניסיון ML. בסוף מאמר זה, תהיה לך את הבסיס הדרוש לך כדי ליצור אפליקציות חכמות, מופעלות ML, המסוגלות לתייג תמונות, לסרוק ברקודים, לזהות פרצופים וציוני דרך מפורסמים ולבצע משימות ML רבות עוצמה אחרות.

הכירו את ערכת הלמידה של המכונות של גוגל

עם פרסום טכנולוגיות כמו TensorFlow ו- CloudVision, ML נעשה שימוש נרחב יותר, אך טכנולוגיות אלה אינן נועזות בלב! בדרך כלל תזדקק להבנה מעמיקה של רשתות עצביות וניתוח נתונים, רק כדי להשיג זאת התחיל עם טכנולוגיה כמו TensorFlow.

גם אם אתה לעשות יש לך קצת ניסיון ב- ML, יצירת אפליקציה סלולרית המופעלת על-ידי מכונה יכולה להיות תהליך רב-זמן, מורכב ויקר, המחייב אותך למקור מספיק נתונים בכדי לאמן את דגמי ה- ML שלך, ואז לבצע אופטימיזציה של דגמי ה- ML הללו כדי לפעול ביעילות סביבה ניידת. אם אתה מפתח אינדיבידואלי, או שיש לך משאבים מוגבלים, יתכן שלא ניתן יהיה להוציא לפועל את הידע שלך ב- ML.

ערכת ML היא הניסיון של גוגל להביא למידה של מכונות להמונים.

מתחת למכסה המנוע, ML Kit מקבץ כמה טכנולוגיות ML עוצמתיות אשר בדרך כלל ידרשו ידע נרחב ב- ML, כולל Cloud Vision, TensorFlow ו- API של Android Neural Networks. ML Kit משלב טכנולוגיות ML מומחיות אלה עם דגמים מאומנים מראש למקרים שימושיים ניידים, כולל חילוץ טקסט מתמונה, סריקת ברקוד וזיהוי תוכן הצילום.

לא משנה אם יש לך ידע קודם ב- ML, אתה יכול להשתמש בערכת ML כדי להוסיף יכולות למידה חזקות של מכונות לאנדרואיד שלך ו אפליקציות iOS - פשוט העבירו כמה נתונים לחלק הנכון של ערכת ML, כמו למשל זיהוי טקסט או ממשק API לזיהוי שפה, וממשק API זה ישתמש בלמידה של מכונה כדי להחזיר תגובה.

כיצד אוכל להשתמש בממשקי API של ערכת ML?

ערכת ML מחולקת למספר ממשקי API המופצים כחלק מפלטפורמת Firebase. כדי להשתמש באחד מממשקי ה- API של ML Kit, עליכם ליצור חיבור בין פרויקט Android Studio שלכם לבין פרויקט Firebase המתאים, ואז לתקשר עם Firebase.

מרבית דגמי ה- ML Kit זמינים כדגמים במכשירים בהם תוכלו להוריד ולהשתמש באופן מקומי, אך דגמים מסוימים זמינים גם בענן, המאפשר לאפליקציה שלכם לבצע משימות המופעלות באמצעות ML באמצעות חיבור האינטרנט של המכשיר.

לכל גישה יש מערך חוזקות וחולשות ייחודי משלה, כך שתצטרך להחליט אם עיבוד מקומי או מרוחק הכי הגיוני עבור האפליקציה הספציפית שלך. אתה יכול אפילו להוסיף תמיכה לשני הדגמים, ואז לאפשר למשתמשים שלך להחליט באיזה דגם להשתמש בזמן ריצה. לחלופין, באפשרותך להגדיר את האפליקציה שלך לבחירת הדגם הטוב ביותר לתנאים הנוכחיים, לדוגמה באמצעות המודל מבוסס הענן רק כאשר המכשיר מחובר ל- Wi-Fi.

אם תבחר את הדגם המקומי, תכונות הלמידה על המכונה של האפליקציה שלך יהיו זמינות תמיד, ללא קשר אם למשתמש יש חיבור אינטרנט פעיל. מכיוון שכל העבודה מבוצעת באופן מקומי, מודלים במכשירים הם אידיאליים כאשר האפליקציה שלך צריכה לעבד כמויות גדולות של נתונים במהירות, למשל אם אתה משתמש ב- ML Kit כדי לתפעל זרם וידאו חי.

בינתיים, דגמים מבוססי ענן מספקים בדרך כלל דיוק רב יותר מאשר עמיתיהם במכשיר, שכן דגמי הענן ממנפים את העוצמה של טכנולוגיית למידת המכונה של Google Cloud Platform. לדוגמה, המודל של ממשק ה- API של תיוג תמונה כולל 400 תוויות, אך מודל הענן כולל מעל 10,000 תוויות.

בהתאם לממשק ה- API, יתכן גם פונקציונליות מסוימת הזמינה בענן בלבד, לדוגמה, ממשק ה- API לזיהוי טקסט יכול לזהות רק תווים שאינם לטיניים אם אתה משתמש במודל מבוסס ענן שלה.

ממשקי API המבוססים על ענן צמתים זמינים רק לפרויקטים של Firebase ברמה של Blaze, כך שתצטרך לשדרג לתכנית Blaze בתשלום כפי שאתה הולך לפני שתוכל להשתמש באחד מדגמי הענן של ML Kit.

אם החלטתם לחקור את דגמי הענן, אז בזמן הכתיבה, הייתה מכסה זמינה בחינם לכל APIs ML Kit. אם רק רצית להתנסות עם תיוג תמונות מבוסס ענן, היית יכול לשדרג את פרויקט ה- Firebase שלך ​​לתוכנית Blaze, לבדוק את ה- API על פחות מ -1,000 תמונות, ואז לחזור לתוכנית Spark החינמית, מבלי שיוטענת. עם זאת, לתנאים ולהגבלות יש הרגל מגעיל להשתנות לאורך זמן, לכן הקפידו לקרוא את האותיות הקטנות לפני השדרוג ל- Blaze, רק כדי לוודא שלא תיפגעו מחשבונות בלתי צפויים!

זהה טקסט בכל תמונה, עם ממשק ה- API לזיהוי טקסט

ממשק ה- API לזיהוי טקסט יכול לזהות בצורה אינטליגנטית, לנתח ולעבד טקסט.

אתה יכול להשתמש בממשק API זה כדי ליצור יישומים הממצאים טקסט מתמונה, כך שהמשתמשים שלך לא יצטרכו לבזבז זמן על הזנת נתונים ידנית מייגעת. לדוגמה, תוכל להשתמש בממשק ה- API לזיהוי טקסט כדי לעזור למשתמשים שלך לחלץ ולהקליט את המידע מתוך קבלות, חשבוניות, כרטיסי ביקור או אפילו תוויות תזונה, פשוט על ידי צילום תמונה של הפריט המדובר.

אתה יכול אפילו להשתמש בממשק ה- API לזיהוי טקסט כצעד ראשון באפליקציית תרגום, שם המשתמש מצלם תמונה של טקסט לא מוכר וה- API מחלץ את כל הטקסט מהתמונה, מוכן להעברה לשירות תרגום.

ממשק ה- API לזיהוי טקסט של מכשיר ML Kit יכול לזהות טקסט בכל שפה מבוססת לטינית, בעוד המקבילה מבוססת הענן שלה יכולה לזהות מגוון גדול יותר של שפות ותווים, כולל תווים סיניים, יפניים וקוריאניים. המודל מבוסס ענן מותאם גם לחילוץ טקסט דליל מתמונות וטקסט ממסמכים צפופים, אותם עליכם לקחת בחשבון כשאתם מחליטים באיזה מודל להשתמש באפליקציה שלכם.

רוצה חוויה מעשית עם ממשק API זה? לאחר מכן עיין במדריך שלנו אחר שלב ליצירת יישום שיכול לחלץ את הטקסט מכל תמונה, באמצעות ממשק ה- API לזיהוי טקסט.

הבנת תוכן תמונה: ממשק API לתוויות תמונה

ממשק ה- API של תיוג תמונות יכול לזהות ישויות בתמונה, כולל מיקומים, אנשים, מוצרים ובעלי חיים, ללא צורך במטא נתונים קונטקסטואליים נוספים. ממשק ה- API של תיוג תמונות יחזיר מידע על הישויות שהתגלו בצורה של תוויות. לדוגמה, בצילום המסך הבא סיפקתי ל- API תמונה טבעית, והגבתי עליה תוויות כמו "יער" ו"נהר ".

יכולת זו לזהות את תוכן התמונה יכולה לעזור לך ליצור אפליקציות המתויגות תמונות על סמך הנושא שלהן; מסננים שמזהים אוטומטית תוכן לא הולם שהוגש על ידי משתמשים ומסיר אותו מהאפליקציה שלך; או כבסיס לפונקציונליות חיפוש מתקדמת.

רבים מממשקי ה- API של ML Kit מחזירים תוצאות אפשריות מרובות, להשלים עם ציוני אמון נלווים - כולל ממשק ה- API של תיוג תמונות. אם תעבור על תיוג תמונה של תמונה של פודל, היא עשויה להחזיר תוויות כמו "פודל", "כלב", "חיית מחמד" ו- "חיה קטנה", והכל עם ציונים משתנים המציינים את אמון ה- API בכל תווית. יש לקוות שבתרחיש זה "פודל" יקבל את ציון הביטחון הגבוה ביותר!

אתה יכול להשתמש בציון ביטחון זה כדי ליצור סף שיש לעמוד בו, לפני שהאפליקציה שלך פועלת בתווית מסוימת, למשל הצגת אותה למשתמש או תיוג תמונה עם תווית זו.

תיוג תמונות זמין הן במכשיר והן בענן, אם כי אם תבחר את דגם הענן, תקבל גישה למעל 10,000 תוויות, לעומת 400 התוויות הכלולות במודל המכשיר.

לעיון מעמיק יותר בממשק ה- API של תיוג תמונות, עיין בקבע את תוכן התמונה באמצעות למידת מכונה. במאמר זה, אנו בונים יישום המעבד תמונה ואז מחזיר את ציוני התוויות והביטחון עבור כל יישות המוצאת בתוך אותה תמונה. אנו מיישמים גם דגמים במכשירים וענן באפליקציה זו, כך שתוכלו לראות בדיוק כיצד התוצאות נבדלות, בהתאם לדגם שתבחרו.

הבנת ביטויים ומעקב אחר פנים: ממשק API לזיהוי פנים

ממשק API לזיהוי פנים יכול לאתר פרצופים אנושיים בתמונות, בסרטונים ובזרמים חיים ואז מוציא מידע על כל פנים שזוהו, כולל מיקומו, גודלו וכיוונו.

אתה יכול להשתמש בממשק API זה כדי לעזור למשתמשים לערוך את התמונות שלהם, למשל על ידי חיתוך אוטומטי של כל השטח הריק סביב צילום הראש הראשיים שלהם.

ממשק API לזיהוי פנים אינו מוגבל לתמונות - אתה יכול להחיל ממשק API זה גם על סרטונים, לדוגמה אתה יכול ליצור אפליקציה שמזהה את כל הפרצופים בעדכון וידאו ואז מטשטשת את הכל מלבד הפנים האלה, בדומה לתכונת טשטוש הרקע של סקייפ.

זיהוי פנים הוא תמיד מבוצע במכשיר, שם הוא מהיר דיו לשימוש בזמן אמת, כך שבניגוד לרוב ממשקי ה- API של ML Kit, זיהוי פנים כן לא כולל מודל ענן.

בנוסף לגילוי פרצופים, API זה כולל כמה תכונות נוספות שכדאי לבחון. ראשית, ממשק API לזיהוי פנים יכול לזהות ציוני דרך בפנים, כמו עיניים, שפתיים ואוזניים, ואז לאחזר את הקואורדינטות המדויקות עבור כל אחת מציוני הדרך האלה. זה הכרה בנקודת ציון מספק לך מפה מדויקת של כל פנים שזוהו - מושלמת ליצירת אפליקציות מציאות מוגדלת (AR) המוסיפות מסכות ומסננים בסגנון Snapchat לעדכון המצלמות של המשתמש.

ממשק API לזיהוי פנים מציע גם פנים סיווג. נכון לעכשיו, ערכת ML תומכת בשני סיווג פנים: עיניים פקוחות ומחייכות.

אתה יכול להשתמש בסיווג זה כבסיס לשירותי נגישות, כגון בקרות ללא ידיים, או כדי ליצור משחקים המגיבים להבעת הפנים של השחקן. היכולת לזהות אם מישהו מחייך או שעיניו פקוחות יכולה גם להועיל אם אתה יוצר אפליקציית מצלמה - אחרי הכל, אין דבר גרוע יותר מאשר לצלם חבורה של תמונות, רק כדי לגלות אחר כך שמישהו עצם את העיניים. בתוך כל זריקה אחת.

לבסוף, ממשק API לזיהוי פנים כולל רכיב למעקב פנים, המקצה מזהה לפנים ואז עוקב אחר פניהם על פני מספר תמונות או מסגרות וידיאו רצופות. שימו לב שזה פנים מעקב ולא פנים אמיתיות הכרה. מאחורי הקלעים, ממשק API לזיהוי פנים עוקב אחר מיקום הפנים ותנועתו ואז מסיק שפרצוף זה שייך ככל הנראה לאותו אדם, אך בסופו של דבר הוא אינו מודע לזהותו של האדם.

נסה בעצמך את ממשק ה- API לזיהוי פנים! גלה כיצד לבנות אפליקציה לזיהוי פנים בעזרת למידת מכונה וערכת ML Firebase.

סריקת ברקודים באמצעות בסיס אש ו- ML

סריקת ברקודים אולי לא נשמעת מרגשת כמו חלק מממשקי ה- API האחרים למידת מכונה, אך זהו אחד החלקים הנגישים ביותר ב- ML Kit.

סריקת ברקוד אינה דורשת חומרה או תוכנה מומחים, כך שתוכלו להשתמש בממשק ה- API של סריקת ברקוד תוך הקפדה על האפליקציה שלכם להישאר נגישה לכמה שיותר אנשים, כולל משתמשים במכשירים ישנים או תקציביים. כל עוד למכשיר יש מצלמה מתפקדת, אין לו בעיות בסריקת ברקוד.

ממשק ה- API של סריקת ברקודים של ML Kit יכול לחלץ מגוון רחב של מידע מברקודים מודפסים ודיגיטליים, מה שהופך אותו לדרך מהירה, קלה ונגישה להעברת מידע מהעולם האמיתי, ליישום שלך, מבלי שמשתמשים יצטרכו לבצע כל הזנת נתונים ידנית מייגעת. .

ישנם תשעה סוגי נתונים שונים שממשק ה- API של סריקת ברקודים יכול לזהות ולנתח מברקוד:

• TYPE_CALENDAR_EVENT. זה מכיל מידע כמו מיקום האירוע, מארגן וזמן ההתחלה והסיום שלו.אם אתה מקדם אירוע, ייתכן שתכלול ברקוד מודפס בכרזות או עלונים, או שתכיל ברקוד דיגיטלי באתר שלך. משתתפים פוטנציאליים יכולים לאחר מכן לחלץ את כל המידע על האירוע שלך, פשוט על ידי סריקת הברקוד שלו.
• TYPE_CONTACT_INFO. סוג נתונים זה מכסה מידע כמו כתובת הדוא"ל של איש הקשר, שם, מספר טלפון וכותרת.
• TYPE_DRIVER_LICENSE. זה מכיל מידע כמו הרחוב, העיר, המדינה, השם ותאריך הלידה המשויכים לרישיון הנהיגה.
• TYPE_EMAIL. סוג נתונים זה כולל כתובת דוא"ל, בתוספת שורת הנושא של הדוא"ל וטקסט גוף.
• TYPE_GEO. זה מכיל את קו הרוחב והאורך של נקודת גיאוגרפיה ספציפית, שהיא דרך קלה לשתף מיקום עם המשתמשים שלך, או שהם יוכלו לשתף את המיקום שלהם עם אחרים. אתה יכול אפילו להשתמש בברקודים גיאוגרפיים כדי להפעיל אירועים מבוססי מיקום, כגון הצגת מידע שימושי על המיקום הנוכחי של המשתמש, או כבסיס למשחקים ניידים מבוססי מיקום.
• TYPE_PHONE. זה מכיל את מספר הטלפון ואת סוג המספר, למשל אם מדובר ביצירה או מספר טלפון ביתי.
• TYPE_SMS. זה מכיל טקסט בגוף SMS ומספר הטלפון המשויך ל- SMS.
• TYPE_URL. סוג נתונים זה מכיל כתובת אתר וכותרת כתובת האתר. סריקת ברקוד TYPE_URL קלה בהרבה מאשר לסמוך על המשתמשים שלך להקליד ידנית כתובת URL מורכבת, מבלי לבצע טעויות הקלדה או שגיאות כתיב.
• TYPE_WIFI. זה מכיל SSID וסיסמה של רשת Wi-Fi, בתוספת סוג ההצפנה שלה, כגון OPEN, WEP או WPA. ברקוד Wi-Fi הוא אחת הדרכים הקלות ביותר לשתף אישורי Wi-Fi, תוך כדי הסרת לחלוטין של הסיכון של המשתמשים שלכם להזין מידע זה בצורה לא נכונה.

ממשק ה- API לסריקת ברקודים יכול לנתח נתונים ממגוון ברקודים שונים, כולל פורמטים ליניאריים כמו קודאבר, קוד 39, EAN-8, ITF ו- UPC-A, ו- 2D כמו פורמט Aztec, Data Matrix ו- QR Codes.

כדי להקל על משתמשי הקצה שלך, ממשק API זה סורק את כל הברקודים הנתמכים בו זמנית ויכול גם לחלץ נתונים ללא קשר לכיוון הברקוד - כך שלא משנה אם הברקוד הפוך לחלוטין כאשר המשתמש סורק אותם!

למידת מכונה בענן: ממשק API לזיהוי דרך

אתה יכול להשתמש בממשק ה- API לזיהוי סימני דרך של ML Kit כדי לזהות ציוני דרך טבעיים ובנויים ידועים בתוך תמונה.

אם אתה מעביר ממשק API זה תמונה המכילה נקודת ציון מפורסמת, היא תחזיר את שם ציון הדרך הזה, את רוחבי הרוחב והאורך של נקודת ציון ותיבת גבול המציינת היכן נתגלה ציון הדרך בתמונה.

אתה יכול להשתמש בממשק ה- API של זיהוי Landmark כדי ליצור יישומים שמתייגים אוטומטית את תמונות המשתמש, או כדי לספק חוויה מותאמת אישית יותר, למשל אם האפליקציה שלך מזהה שמשתמש מצלם את מגדל אייפל, אז היא עשויה להציע כמה עובדות מעניינות על ציון דרך זה, או להציע אטרקציות תיירותיות דומות בקרבת מקום שהמשתמש עשוי לבקר בהמשך.

באופן יוצא דופן עבור ערכת ML, ממשק ה- API לזיהוי דרך ציון דרך זמין רק בתור ממשק API מבוסס ענן, כך שהיישום שלך יוכל לבצע זיהוי ציוני דרך רק כאשר למכשיר יש חיבור אינטרנט פעיל.

ממשק ה- API לזיהוי שפה: פיתוח לקהל בינלאומי

כיום משתמשים באפליקציות אנדרואיד בכל רחבי העולם, על ידי משתמשים הדוברים שפות רבות ושונות.

ממשק API לזיהוי השפה של ML Kit יכול לעזור לאפליקציית Android שלך לפנות לקהל בינלאומי, על ידי נטילת מחרוזת טקסט וקביעת השפה עליה כתוב. ממשק ה- API לזיהוי שפה יכול לזהות יותר ממאה שפות שונות, כולל טקסט רומני בערבית, בולגרית, סינית, יוונית, הינדית, יפנית ורוסית.

ממשק API זה יכול להוות תוספת חשובה לכל יישום המעבד טקסט המסופק על ידי המשתמש, מכיוון שלעתים רחוקות טקסט זה כולל מידע על שפה. תוכל גם להשתמש בממשק ה- API לזיהוי שפה באפליקציות תרגום, כצעד הראשון לתרגום כל דבר, לדעת איזו שפה אתה עובד! לדוגמה, אם המשתמש מכוון את המצלמה של המכשיר שלו לתפריט, היישום שלך עשוי להשתמש בממשק ה- API לזיהוי שפה כדי לקבוע שהתפריט כתוב בצרפתית, ואז יציע לתרגם תפריט זה באמצעות שירות כמו API לתרגום בענן ( אולי לאחר חילוץ הטקסט שלו, באמצעות ממשק API לזיהוי טקסט?)

בהתאם למחרוזת המדוברת, ממשק API לזיהוי שפות עשוי להחזיר שפות פוטנציאליות מרובות, מלווה בציוני ביטחון, כך שתוכל לקבוע איזו שפה זוהה היא ככל הנראה נכונה. שים לב כי בעת כתיבת ה- ML Kit לא יכול היה לזהות מספר שפות שונות באותה מחרוזת.

כדי להבטיח שממשק API זה מספק זיהוי שפה בזמן אמת, API לזיהוי שפה זמין רק כדגם במכשיר.

בקרוב: תגובה חכמה

גוגל מתכננת להוסיף ממשקי API נוספים ל- ML Kit בעתיד, אך אנו כבר יודעים על ממשק API אחד שעומד לבוא.

על פי אתר ML Kit, הקרוב ממשק API של תגובה חכמה יאפשר לך להציע תשובות להודעות הקשורות ביישומים שלך, על ידי הצעת קטעי טקסט שמתאימים להקשר הנוכחי. בהתבסס על מה שאנחנו כבר יודעים על ממשק API זה, נראה כי תגובה חכמה תהיה דומה לתכונת התגובה המוצעת שכבר קיימת באפליקציית Android, Wear OS ו- Gmail.

צילום המסך הבא מראה כיצד תכונת התגובה המוצעת נראית כעת ב- Gmail.

מה הלאה? באמצעות TensorFlow Lite עם ערכת ML

ML Kit מספק דגמים שנבנו מראש למקרים נפוצים לשימוש בנייד, אך בשלב מסוים מומלץ לעבור מעבר לדגמים מוכנים אלה.

אפשר ליצור דגמי ML משלך באמצעות TensorFlow Lite ואז להפיץ אותם באמצעות ערכת ML. עם זאת, רק שימו לב שבניגוד לממשקי ה- API המוכנים של ML Kit, עבודה עם דגמי ML משלכם מצריכה משמעותי כמות המומחיות של ML.

לאחר שיצרת את דגמי ה- TensorFlow Lite שלך, תוכל להעלות אותם ל- Firebase וגוגל תנהל אירוח והגשה של דגמים אלה למשתמשים הסופיים שלך. בתרחיש זה, ML Kit משמש כשכבת API על גבי הדגם המותאם אישית שלך, מה שמפשט חלק מההרימה הכבדה הכרוכה בשימוש בדגמים מותאמים אישית. הבולט ביותר, ערכת ML תדחוף למשתמשים שלך את הגרסה האחרונה של הדגם שלך באופן אוטומטי, כך שלא תצטרך לעדכן את האפליקציה שלך בכל פעם שתרצה לצבוט את הדגם שלך.

כדי לספק חוויית משתמש מיטבית, באפשרותך לציין את התנאים שיש לעמוד בהם, לפני שהאפליקציה שלך תוריד גרסאות חדשות של דגם TensorFlow Lite שלך, לדוגמה, רק עדכון הדגם כאשר המכשיר במצב סרק, טעינה או מחובר ל- Wi- Fi. אתה יכול אפילו להשתמש ב- ML Kit וב- TensorFlow Lite לצד שירותים אחרים של Firebase, למשל באמצעות Firebase Remote Config ו- Firebase A / B Testing כדי להגיש דגמים שונים לקבוצות משתמשים שונות.

אם אתה רוצה לעבור מעבר לדגמים שנבנו מראש, או שהמודלים הקיימים של ML Kit לא ממש עונים על הצרכים שלך, תוכל ללמוד עוד על יצירת מודלים משלך למידת מכונות, במסמכים הרשמיים של Firebase.

מסיימים

במאמר זה עייננו בכל אחד מהרכיבים בערכת הלמידה למכונות של גוגל, וכיסינו כמה תרחישים נפוצים שבהם אולי תרצו להשתמש בכל אחד מממשקי ה- API של ערכת ה- ML Kit.

גוגל מתכננת להוסיף ממשקי API נוספים בעתיד, אז אילו ממשקי API ללימוד מכונה הייתם רוצים לראות שנוספו ל- ML Kit בהמשך? ספר לנו בתגובות למטה!