Turinys

• Susipažinkite su „Google“ mašinų mokymosi rinkiniu
• Kaip naudoti „ML Kit“ API?
• Identifikuokite bet kurio vaizdo tekstą naudodamiesi teksto atpažinimo API
• Vaizdo turinio supratimas: vaizdų žymėjimo API
• Išraiškų supratimas ir veido stebėjimas: veido aptikimo API
• Brūkšninių kodų nuskaitymas naudojant „Firebase“ ir ML
• Mašinų mokymasis debesyje: orientyrų atpažinimo API
• Kalbos atpažinimo API: kuria tarptautinei auditorijai
• Netrukus: išmanusis atsakymas
• Kas toliau? „TensorFlow Lite“ naudojimas su „ML Kit“
• Apvyniojimas

Mašinų mokymasis (ML) gali padėti jums sukurti novatorišką, įtikinamą ir unikalią patirtį savo mobiliųjų įrenginių vartotojams.

Įgiję ML, galite naudoti ją kurdami platų programų spektrą, įskaitant programas, kurios automatiškai tvarko nuotraukas pagal jų temą, atpažįsta ir seka asmens veidą tiesioginiame sraute, ištraukia tekstą iš vaizdo ir dar daugiau .

Bet ML nėra visiškai draugiškas pradedantiesiems! Jei norite patobulinti „Android“ programas naudodami galingas kompiuterio mokymosi galimybes, tada kur tiksliai pradėti?

Šiame straipsnyje pateiksiu SDK (programinės įrangos kūrimo rinkinio), kuris žada pateikti ML galią po ranka, apžvalgą, net jei turite nulis ML patirtis. Pabaigoje šį straipsnį turėsite pagrindą, reikalingą pradėti kurti intelektualias, su ML susijusias programas, galinčias žymėti vaizdus, ​​nuskaityti brūkšninius kodus, atpažinti veidus ir garsius orientyrus bei atlikti daugybę kitų galingų ML užduočių.

Susipažinkite su „Google“ mašinų mokymosi rinkiniu

Išleidus tokias technologijas kaip „TensorFlow“ ir „CloudVision“, ML tampa vis plačiau naudojamas, tačiau šios technologijos nėra skirtos silpnai širdžiai! Norint gauti informaciją, paprastai reikia išmanyti neuroninius tinklus ir analizuoti duomenis prasidėjo naudojant tokią technologiją kaip „TensorFlow“.

Net jei tu daryti turėti tam tikros patirties su ML, sukurti mašininio mokymosi palaikomą mobiliąją programą gali būti daug laiko reikalaujantis, sudėtingas ir brangus procesas, reikalaujantis šaltinio, kad gautumėte pakankamai duomenų, kad išmoktumėte savo ML modelius, ir tada optimizuokite tuos ML modelius, kad jie efektyviai veiktų mobilioji aplinka. Jei esate individualus kūrėjas arba turite ribotus išteklius, gali būti neįmanoma pritaikyti savo ML žinias praktiškai.

„ML Kit“ yra „Google“ bandymas pritraukti masinį mokymąsi į mases.

Po gaubtu „ML Kit“ susieja keletą galingų ML technologijų, kurioms paprastai reikalingos išsamios ML žinios, įskaitant „Cloud Vision“, „TensorFlow“ ir „Android“ neuroninių tinklų API. „ML Kit“ sujungia šias specialiąsias ML technologijas su iš anksto apmokytais modeliais, skirtais įprastiems mobiliesiems telefonams, įskaitant teksto ištraukimą iš vaizdo, nuskaitymo brūkšninį kodą ir nuotraukos turinio identifikavimą.

Nepriklausomai nuo to, ar turite ankstesnių žinių apie ML, galite naudoti ML rinkinį, kad pridėtumėte galingas kompiuterio mokymosi galimybes savo „Android“ ir „iOS“ programos - tiesiog perduokite kai kuriuos duomenis į reikiamą „ML Kit“ dalį, pvz., Teksto atpažinimo arba Kalbos identifikavimo API, ir ši API naudos mašininį mokymąsi atsakymui pateikti.

Kaip naudoti „ML Kit“ API?

„ML Kit“ yra padalytas į keletą API, kurios yra platinamos kaip „Firebase“ platformos dalis. Jei norite naudoti bet kurią iš „ML Kit“ API, turėsite sukurti ryšį tarp „Android Studio“ projekto ir atitinkamo „Firebase“ projekto, o tada susisiekti su „Firebase“.

Daugelį „ML Kit“ modelių galima įsigyti kaip modelius įrenginiuose, kuriuos galite atsisiųsti ir naudoti vietoje, tačiau kai kuriuos modelius taip pat galima rasti debesyje, o tai leidžia jūsų programai atlikti su ML susijusias užduotis naudojant įrenginio interneto ryšį.

Kiekvienas požiūris turi savo unikalų privalumų ir trūkumų rinkinį, todėl turėsite nuspręsti, ar vietinis ar nuotolinis apdorojimas yra tinkamiausias jūsų programai. Jūs netgi galite pridėti abiejų modelių palaikymą ir leisti vartotojams nuspręsti, kurį modelį naudoti vykdant. Arba galite sukonfigūruoti savo programą, kad ji pasirinktų geriausią esamų sąlygų modelį, pavyzdžiui, naudodama tik debesies modelį, kai įrenginys yra prijungtas prie „Wi-Fi“.

Jei pasirinksite vietinį modelį, programos kompiuterio mokymosi funkcijos visada bus prieinamos, nesvarbu, ar vartotojas turi aktyvų interneto ryšį. Kadangi visas darbas atliekamas vietoje, modeliai įrenginyje yra idealūs, kai jūsų programai reikia greitai apdoroti didelius duomenų kiekius, pavyzdžiui, jei naudojate „ML Kit“ manipuliuoti tiesioginio vaizdo srautu.

Tuo tarpu debesies modeliai paprastai suteikia didesnį tikslumą nei jų įrenginyje esantys modeliai, nes debesų modeliai pasitelkia „Google Cloud Platform“ mašinų mokymosi technologijos galią. Pvz., „Image Labelling API“ įrenginio modelyje yra 400 etikečių, bet debesies modelis pasižymi 10 000 etikečių.

Priklausomai nuo API, gali būti ir kai kurių funkcijų, kurios prieinamos tik debesyje, pavyzdžiui, Teksto atpažinimo API gali identifikuoti ne lotynų kalbos simbolius, jei naudojate jos debesyje pagrįstą modelį.

„Debesis“ pagrįstos API yra prieinamos tik „Blaze“ lygio „Firebase“ projektams, todėl prieš naudodamiesi bet kuriuo iš „ML Kit“ debesies modelių turėsite naujovinti į „pay-as-you-go“ „Blaze“ planą.

Jei nuspręsite ištirti debesų modelius, tada rašymo metu visoms „ML Kit“ API buvo prieinama nemokama kvota. Jei jūs tiesiog norėjote eksperimentuoti su debesų pagrindu sukurtu vaizdų žymėjimu, tada galėtumėte atnaujinti „Firebase“ projektą į „Blaze“ planą, išbandyti API, naudodami mažiau nei 1000 vaizdų, ir tada grįžti į nemokamą „Spark“ planą be jokių mokesčių. Tačiau terminai ir sąlygos turi bjaurų įprotį bėgant laikui keistis, todėl prieš atnaujindami „Blaze“, būtinai perskaitykite smulkiu šriftu, kad įsitikintumėte, jog nepataikysite į netikėtas sąskaitas!

Identifikuokite bet kurio vaizdo tekstą naudodamiesi teksto atpažinimo API

Teksto atpažinimo API gali intelektualiai atpažinti, analizuoti ir apdoroti tekstą.

Galite naudoti šią API norėdami sukurti programas, iš teksto ištraukas iš vaizdo, taigi vartotojams nereikia gaišti laiko varginančiam duomenų įvedimui rankiniu būdu. Pvz., Galite naudoti teksto atpažinimo API, kad padėtų vartotojams išgauti ir įrašyti informaciją iš kvitų, sąskaitų faktūrų, vizitinių kortelių ar net maistinių etikečių, tiesiog nufotografuojant aptariamą daiktą.

Jūs netgi galite naudoti teksto atpažinimo API kaip pirmąjį vertimo programos žingsnį, kai vartotojas nufotografuoja kažkokį nepažįstamą tekstą, o API iš vaizdo atvaizduoja visą tekstą, parengtą perduoti vertimo tarnybai.

Įrenginyje „ML Kit“ esančio teksto atpažinimo API gali atpažinti tekstą bet kuria lotynų kalba, o jo debesyje esanti atitiktis atpažįsta didesnę kalbų ir simbolių įvairovę, įskaitant kinų, japonų ir korėjiečių rašmenis. Debesis paremtas modelis taip pat optimizuotas, kad iš atvaizdų ir teksto iš tankiai supakuotų dokumentų būtų galima išgauti nedaug teksto, į kurį turėtumėte atsižvelgti, spręsdami, kurį modelį naudoti jūsų programoje.

Norite praktinės patirties su šia API? Tada peržiūrėkite mūsų nuoseklų vadovą, kaip sukurti programą, kuri iš teksto galėtų išgauti bet kurį vaizdą, naudodama teksto atpažinimo API.

Vaizdo turinio supratimas: vaizdų žymėjimo API

Vaizdų ženklinimo API gali atpažinti paveiksle esančius objektus, įskaitant vietas, žmones, gaminius ir gyvūnus, nereikia jokių papildomų kontekstinių metaduomenų. Vaizdų ženklinimo API informaciją apie aptiktus subjektus grįš etikečių pavidalu. Pavyzdžiui, šioje ekrano kopijoje pateikiau API gamtos nuotrauką, į kurią atsakiau tokiomis etiketėmis kaip „Miškas“ ir „Upė“.

Ši galimybė atpažinti vaizdo turinį gali padėti sukurti programas, kuriose nuotraukos pažymimos atsižvelgiant į jų temą; filtrai, kurie automatiškai nustato netinkamą vartotojo pateiktą turinį ir pašalina jį iš jūsų programos; arba kaip išplėstinės paieškos funkcijos pagrindą.

Daugelis „ML Kit“ API pateikia daugybę galimų rezultatų kartu su pridedamais pasitikėjimo balais - įskaitant vaizdų žymėjimo API. Jei perduosite vaizdinės etiketės nuotrauką su pūdeliu, tai gali grąžinti tokias etiketes kaip „pūdelis“, „šuo“, „naminis gyvūnėlis“ ir „mažas gyvūnas“ su skirtingais balais, nurodančiomis API pasitikėjimą kiekviena etikete. Tikimės, kad pagal šį scenarijų „pūdelis“ turės aukščiausią pasitikėjimo balą!

Šį pasitikėjimo balą galite naudoti norėdami sukurti slenkstį, kurį reikia atitikti, prieš taikydami savo programą tam tikroje etiketėje, pavyzdžiui, pateikdami ją vartotojui arba pažymėdami nuotrauką šia etikete.

Vaizdo etiketes galima naudoti ir įrenginyje, ir debesyje, nors pasirinkę debesies modelį gausite prieigą prie daugiau nei 10 000 etikečių, palyginti su 400 etikečių, kurios yra įrenginio modelyje.

Norėdami nuodugniau pažvelgti į vaizdų žymėjimo API, skaitykite skyriuje „Vaizdo turinio nustatymas mokantis mašinų“. Šiame straipsnyje mes sukuriame programą, kuri apdoroja vaizdą, o tada grąžina etiketes ir pasitikėjimo balus kiekvienam subjektui, aptiktam tame paveikslėlyje. Šioje programoje taip pat įgyvendiname įrenginių ir debesų modelius, todėl galite tiksliai pamatyti, kuo skiriasi rezultatai, atsižvelgiant į pasirinktą modelį.

Išraiškų supratimas ir veido stebėjimas: veido aptikimo API

Veido aptikimo API gali nustatyti žmonių veidus nuotraukose, vaizdo įrašuose ir tiesioginiuose srautuose, tada išgauti informaciją apie kiekvieną aptiktą veidą, įskaitant jo vietą, dydį ir orientaciją.

Galite naudoti šią API norėdami padėti vartotojams redaguoti savo nuotraukas, pavyzdžiui, automatiškai apkarpydami visą tuščią vietą aplink savo naujausią nuotrauką.

Veido aptikimo API nėra vien tik vaizdai - šią API taip pat galite pritaikyti vaizdo įrašams, pavyzdžiui, galite sukurti programą, kuri identifikuoja visus vaizdo įrašo sklaidos kanalo veidus ir tada viską išblukina išskyrus tie veidai, panašūs į „Skype“ fono suliejimo funkciją.

Veido aptikimas yra visada atliekamas įrenginyje, kur yra pakankamai greitas, kad būtų galima naudoti realiuoju laiku, taigi, priešingai nei dauguma „ML Kit“ API, veido aptikimas ne įtraukti debesies modelį.

Be veidų aptikimo, ši API turi dar keletą papildomų funkcijų, kurias verta ištirti. Pirmiausia, veido aptikimo API gali nustatyti veido orientyrus, pvz., Akis, lūpas ir ausis, tada nuskaito tikslias kiekvieno iš šių orientyrų koordinates. Tai orientyro pripažinimas suteikia jums tikslų kiekvieno aptikto veido žemėlapį - puikiai tinka kurti papildytos realybės (AR) programas, kurios prideda „Snapchat“ stiliaus kaukes ir filtrus prie vartotojo fotoaparato sklaidos kanalo.

Veido aptikimo API taip pat siūlo veidą klasifikacija. Šiuo metu „ML Kit“ palaiko dvi veido klasifikacijas: atidaromos akys ir šypsosi.

Galite naudoti šią klasifikaciją kaip prieinamumo paslaugų, tokių kaip laisvų rankų įrangos valdiklių, pagrindą arba kurti žaidimus, kurie reaguoja į žaidėjo veido išraišką. Gebėjimas nustatyti, ar kažkas šypsosi, ar atmerkti akis, taip pat gali praversti, jei kuriate fotoaparato programą - juk nėra nieko blogiau, nei fotografuoti krūvą nuotraukų, tik vėliau sužinoti, kad kažkam buvo užmerktos akys. į kiekvienas kadras.

Galiausiai į veido aptikimo API yra įtrauktas veido stebėjimo komponentas, kuris veidui priskiria ID, o po to seka veidą keliais iš eilės atvaizdais ar vaizdo kadrais. Atminkite, kad tai yra veidas sekimas o ne tikras veidas pripažinimas. Užkulisiuose veido aptikimo API seka veido padėtį ir judesį, o tada daro išvadą, kad šis veidas greičiausiai priklauso tam pačiam asmeniui, tačiau jis galiausiai nežino apie asmens tapatybę.

Išbandykite sau veido aptikimo API! Sužinokite, kaip sukurti veido aptikimo programą naudojantis mašininiu mokymu ir „Firebase ML Kit“.

Brūkšninių kodų nuskaitymas naudojant „Firebase“ ir ML

Brūkšninių kodų nuskaitymas gali pasirodyti ne toks įdomus kaip kai kurių kitų mašinų mokymosi API, tačiau tai yra viena iš prieinamiausių „ML Kit“ dalių.

Norint nuskaityti brūkšninį kodą, nereikia jokios specialiosios įrangos ar programinės įrangos, todėl galite naudoti brūkšninių kodų nuskaitymo API ir užtikrinti, kad jūsų programa išliktų prieinama kuo daugiau žmonių, įskaitant senesnių ar biudžetinių įrenginių vartotojus. Kol įrenginys turi veikiančią kamerą, nuskaityti brūkšninį kodą neturėtų kilti problemų.

„ML Kit“ brūkšninių kodų nuskaitymo API gali išspausdinti platų informacijos spektrą iš spausdintų ir skaitmeninių brūkšninių kodų, todėl tai yra greitas, lengvas ir prieinamas būdas perduoti informaciją iš realaus pasaulio į jūsų programą nenaudojant jokių varginančių duomenų rankiniu būdu. .

Yra devyni skirtingi duomenų tipai, kuriuos brūkšninių kodų nuskaitymo API gali atpažinti ir išanalizuoti iš brūkšninių kodų:

• TYPE_CALENDAR_EVENT. Čia yra tokios informacijos, kaip renginio vieta, organizatorius ir pradžios bei pabaigos laikas.Jei reklamuojate įvykį, plakatuose ar skrajutėse galite įterpti spausdintą brūkšninį kodą arba naudoti skaitmeninį brūkšninį kodą savo svetainėje. Tada potencialūs dalyviai gali išgauti visą informaciją apie jūsų įvykį tiesiog nuskaitydami jo brūkšninį kodą.
• TYPE_CONTACT_INFO. Šis duomenų tipas apima tokią informaciją kaip kontaktinio asmens el. Pašto adresas, vardas, telefono numeris ir pavadinimas.
• TYPE_DRIVER_LICENSE. Čia yra su vairuotojo pažymėjimu susijusi informacija, pvz., Gatvė, miestas, valstija, vardas ir gimimo data.
• TYPE_EMAIL. Į šį duomenų tipą įeina el. Pašto adresas, el. Laiško temos eilutė ir tekstas.
• TYPE_GEO. Čia yra konkretaus geografinio taško platuma ir ilguma, nes tai yra paprastas būdas bendrinti vietą su savo vartotojais arba jiems pasidalyti savo buvimo vieta su kitais. Galėtumėte net naudoti geografinius brūkšninius kodus, kad suaktyvintumėte įvykiais pagrįstus įvykius, pvz., Naudingos informacijos apie dabartinę vartotojo buvimo vietą rodymą arba vietos pagrindu sukurtų mobiliųjų žaidimų pagrindą.
• TYPE_PHONE. Čia yra telefono numeris ir numerio rūšis, pavyzdžiui, ar tai darbo, ar namų telefono numeris.
• TYPE_SMS. Čia yra tam tikras SMS tekstas ir su SMS susietas telefono numeris.
• TYPE_URL. Šiame duomenų tipe yra URL ir URL pavadinimas. Nuskaityti TYPE_URL brūkšninį kodą yra daug lengviau, nei pasikliauti savo vartotojais rankiniu būdu įrašant ilgą, sudėtingą URL, nepadarant jokių rašybos klaidų ar rašybos klaidų.
• TYPE_WIFI. Čia yra „Wi-Fi“ tinklo SSID ir slaptažodis, taip pat jo šifravimo tipas, pavyzdžiui, OPEN, WEP ar WPA. „Wi-Fi“ brūkšninis kodas yra vienas iš paprasčiausių būdų, kaip dalytis „Wi-Fi“ prisijungimo duomenimis, tuo pačiu visiškai pašalinant riziką, kad jūsų vartotojai neteisingai įves šią informaciją.

Brūkšninių kodų nuskaitymo API gali išanalizuoti duomenis iš daugybės skirtingų brūkšninių kodų, įskaitant linijinius formatus, tokius kaip „Codabar“, kodas 39, EAN-8, ITF ir UPC-A, ir 2D formatus, tokius kaip „actekų“, „Data Matrix“ ir „QR“ kodus.

Kad galutiniams vartotojams būtų lengviau, ši API vienu metu nuskaito visus palaikomus brūkšninius kodus ir taip pat gali išgauti duomenis, neatsižvelgiant į brūkšninio kodo orientaciją - taigi, nesvarbu, ar brūkšninis kodas yra visiškai apverstas, kai vartotojas jį nuskaito!

Mašinų mokymasis debesyje: orientyrų atpažinimo API

Galite naudoti „ML Kit“ orientyrų atpažinimo API norėdami atpažinti gerai žinomus gamtos ir pastatytus orientyrus vaizde.

Jei perduosite šią API vaizdą, kuriame yra garsus orientyras, tada jis gaus to orientyro pavadinimą, orientyro platumos ir ilgumos reikšmes ir ribojamąjį laukelį, kuriame nurodoma, kur orientyras buvo aptiktas paveikslėlyje.

Galite naudoti „Landmark Recognition“ API norėdami sukurti programas, kurios automatiškai pažymi vartotojo nuotraukas, arba suteikti labiau pritaikytą patirtį, pavyzdžiui, jei jūsų programa atpažįsta, kad vartotojas fotografuoja Eifelio bokštą, tada ji gali pasiūlyti įdomių faktų apie šį orientyrą arba pasiūlykite panašių netoliese esančių lankytinų vietų, kurias vartotojas gali norėti aplankyti toliau.

Neįprastai „ML Kit“ atveju orientyrų aptikimo API pasiekiama tik kaip debesies pagrindu sukurta API, todėl jūsų programa orientyrų aptikimą galės atlikti tik tada, kai įrenginyje bus aktyvus interneto ryšys.

Kalbos atpažinimo API: kuria tarptautinei auditorijai

Šiandien „Android“ programas naudoja visose pasaulio vietose vartotojai, kalbantys daugybe skirtingų kalbų.

„ML Kit“ kalbos identifikavimo API gali padėti jūsų „Android“ programai kreiptis į tarptautinę auditoriją, paimant teksto eilutę ir nustatant, kuria kalba ji parašyta. Kalbos identifikavimo API gali identifikuoti daugiau nei šimtą skirtingų kalbų, įskaitant razifikuotą tekstą arabų, bulgarų, Kinų, graikų, hindi, japonų ir rusų.

Ši API gali būti vertingas papildymas bet kuriai programai, apdorojamai vartotojo pateiktam tekstui, nes šiame tekste retai būna jokios informacijos apie kalbą. Kaip pirmąjį vertimo žingsnį taip pat galite naudoti kalbos identifikavimo API vertimo programose nieko, jūs žinote, kokia kalba dirbate! Pvz., Jei vartotojas nukreipia savo įrenginio fotoaparatą į meniu, tada jūsų programa gali naudoti kalbos identifikavimo API, kad nustatytų, ar meniu yra parašyta prancūzų kalba, ir tada pasiūlyti išversti šį meniu naudojant tokią paslaugą kaip „Cloud Translation API“ ( galbūt ištraukus jo tekstą, naudojant teksto atpažinimo API?)

Atsižvelgiant į aptariamą eilutę, kalbos atpažinimo API gali grąžinti kelias galimas kalbas kartu su pasitikėjimo balais, kad galėtumėte nustatyti, kuri aptinkama kalba greičiausiai yra teisinga. Atminkite, kad rašydamas „ML Kit“ negalėjo nustatyti kelių skirtingų kalbų toje pačioje eilutėje.

Norėdami užtikrinti, kad ši API realiai praneštų kalbą, kalbos atpažinimo API galima tik kaip įrenginio modelį.

Netrukus: išmanusis atsakymas

„Google“ planuoja ateityje į „ML Kit“ įtraukti daugiau API, tačiau jau žinome apie vieną būsimą API.

Kaip rašo „ML Kit“ svetainė, artėjanti Išmaniojo atsakymo API leis pasiūlyti atsakymus apie kontekstinius pranešimus jūsų programose, siūlydami dabartiniam kontekstui tinkamo teksto fragmentus. Remiantis tuo, ką mes jau žinome apie šią API, atrodo, kad intelektualusis atsakymas bus panašus į siūlomo atsakymo funkciją, jau prieinamą „Android“ programoje, „Wear OS“ ir „Gmail“.

Ši ekrano kopija rodo, kaip šiuo metu „Gmail“ atrodo siūloma atsakymo funkcija.

Kas toliau? „TensorFlow Lite“ naudojimas su „ML Kit“

„ML Kit“ pateikia iš anksto sukurtus modelius, skirtus naudoti mobiliesiems telefonams, tačiau tam tikru momentu galbūt norėsite peržengti šiuos paruoštus modelius.

Galite sukurti savo ML modelius naudodami „TensorFlow Lite“ ir paskirstyti juos naudodami „ML Kit“. Tačiau atminkite, kad skirtingai nei paruošti „ML Kit“ API, norint dirbti su savo ML modeliais, reikia reikšmingas ML ekspertizės suma.

Sukūrę „TensorFlow Lite“ modelius, galėsite juos nusiųsti į „Firebase“, o „Google“ valdys tų modelių prieglobą ir aptarnavimą galutiniams vartotojams. Šiame scenarijuje „ML Kit“ veikia kaip API sluoksnis virš jūsų pasirinktinio modelio, o tai supaprastina kai kuriuos sunkumų kilnotojus, susijusius su pasirinktinių modelių naudojimu. Svarbiausia, kad „ML Kit“ vartotojams automatiškai pateiks naujausią modelio versiją, todėl jums nereikės atnaujinti programos kiekvieną kartą, kai norite patobulinti savo modelį.

Norėdami suteikti geriausią įmanomą vartotojo patirtį, galite nurodyti sąlygas, kurių turi būti laikomasi, prieš taikydami programą, kad atsisiųstumėte naujas „TensorFlow Lite“ modelio versijas, pavyzdžiui, atnaujindami modelį tik tada, kai įrenginys nenaudojamas, įkraunamas ar yra prijungtas prie „Wi- Fi. Jūs netgi galite naudoti „ML Kit“ ir „TensorFlow Lite“ kartu su kitomis „Firebase“ paslaugomis, pavyzdžiui, naudodami „Firebase Remote Config“ ir „Firebase A / B“ testavimą, kad pateiktumėte skirtingus modelius skirtingiems vartotojų rinkiniams.

Jei norite peržengti iš anksto sukurtų modelių ribas arba „ML Kit“ esami modeliai nevisiškai tenkina jūsų poreikius, tada daugiau sužinoti apie savo mašinų mokymosi modelių kūrimą galite oficialiuose „Firebase“ dokumentuose.

Apvyniojimas

Šiame straipsnyje mes apžvelgėme kiekvieną „Google“ mašinų mokymosi rinkinio komponentą ir apžvelgėme keletą bendrų scenarijų, kuriuose galbūt norėsite naudoti kiekvieną iš „ML Kit“ API.

Ateityje „Google“ planuoja pridėti daugiau API, tad kurias mašinų mokymosi API norėtumėte įtraukti į „ML Kit“? Praneškite mums toliau pateiktuose komentaruose!