Esta página foi traduzida pela API Cloud Translation.

Migração para o Android

Atualizar importações do Gradle

O novo SDK exige apenas uma dependência para cada API do Kit de ML. Não é necessário especificar bibliotecas comuns, como firebase-ml-vision ou firebase-ml-natural-language. O Kit de ML usa o namespace com.google.android.gms para bibliotecas que dependem do Google Play Services.

APIs do Vision

Os modelos agrupados são enviados como parte do seu aplicativo. É necessário fazer o download de modelos finos. Algumas APIs estão disponíveis em formato agrupado e fino, outras apenas em um formato ou outro:

API	Agrupadas	Fina
Reconhecimento de texto	x (Beta)	x
Detecção facial	x	x
Leitura de código de barras	x	x
Marcação de imagens	x	x
Detecção e rastreamento de objetos	x	-

Atualize as dependências das bibliotecas do Kit de ML para Android no arquivo Gradle do módulo (nível do app) (geralmente app/build.gradle) de acordo com as tabelas a seguir:

Modelos agrupados

API	Artefatos antigos	Novo artefato
Leitura de código de barras	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-barcode-model:16.0.1	com.google.mlkit:barcode-scanning:17.3.0
Contorno do rosto	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-face-model:19.0.0	com.google.mlkit:face-detection:16.1.7
Marcação de imagens	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-image-label-model:19.0.0	com.google.mlkit:image-labeling:17.0.9
Detecção de objetos	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-object-detection-model:19.0.3	com.google.mlkit:object-detection:17.0.2

Modelos finos

API	Artefatos antigos	Novo artefato
Leitura de código de barras	com.google.firebase:firebase-ml-vision:24.0.1	com.google.android.gms:play-services-mlkit-barcode-scanning:18.3.1
Detecção facial	com.google.firebase:firebase-ml-vision:24.0.1	com.google.android.gms:play-services-mlkit-face-detection:17.1.0
Reconhecimento de texto	com.google.firebase:firebase-ml-vision:24.0.1	com.google.android.gms:play-services-mlkit-text-recognition:19.0.1

AutoMLVision Edge

API	Artefato antigo	Novo artefato
AutoML sem download	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-automl:18.0.3	com.google.mlkit:image-labeling-custom:17.0.3
AutoML com download	com.google.firebase:firebase-ml-vision:24.0.1 com.google.firebase:firebase-ml-vision-automl:18.0.3	com.google.mlkit:image-labeling-custom:17.0.3 com.google.mlkit:linkfirebase:17.0.0

APIs de linguagem natural

Os modelos agrupados são enviados como parte do seu aplicativo. Os modelos finos precisam ser transferidos por download:

API	Agrupadas	Fina
ID do idioma	x	x
Resposta inteligente	x	x (Beta)

Atualize as dependências das bibliotecas do Android do Kit de ML no arquivo Gradle do módulo (nível do app) (geralmente app/build.gradle) de acordo com as tabelas a seguir:

Modelos agrupados

API	Artefatos antigos	Novo artefato
ID do idioma	com.google.firebase:firebase-ml-natural-language:22.0.0 com.google.firebase:firebase-ml-natural-language-language-id-model:20.0.7	com.google.mlkit:language-id:17.0.6
Resposta inteligente	com.google.firebase:firebase-ml-natural-language:22.0.0 com.google.firebase:firebase-ml-natural-language-smart-reply-model:20.0.7	com.google.mlkit:smart-reply:17.0.4

Modelos finos

API	Artefatos antigos	Novo artefato
ID do idioma	com.google.firebase:firebase-ml-natural-language:22.0.0 com.google.firebase:firebase-ml-natural-language-language-id-model:20.0.7	com.google.android.gms:play-services-mlkit-language-id:17.0.0
Resposta inteligente	com.google.firebase:firebase-ml-natural-language:22.0.0 com.google.firebase:firebase-ml-natural-language-smart-reply-model:20.0.7	com.google.android.gms:play-services-mlkit-smart-reply:16.0.0-beta1

Atualizar nomes de classes

Se a sua classe aparecer nesta tabela, faça a mudança indicada:

Classe antiga	Nova classe
com.google.firebase.ml.common.FirebaseMLException	com.google.mlkit.common.MlKitException
com.google.firebase.ml.vision.common.FirebaseVisionImage	com.google.mlkit.vision.common.InputImage
com.google.firebase.ml.vision.barcode.FirebaseVisionBarcodeDetector	com.google.mlkit.vision.barcode.BarcodeScanner
com.google.firebase.ml.vision.labeler.FirebaseVisionImageLabel	com.google.mlkit.vision.label.ImageLabeler
com.google.firebase.ml.vision.barcode.FirebaseVisionBarcodeDetector	com.google.mlkit.vision.barcode.BarcodeScanner
com.google.firebase.ml.vision.automl.FirebaseAutoMLLocalModel	com.google.mlkit.common.model.LocalModel
com.google.firebase.ml.vision.automl.FirebaseAutoMLRemoteModel	com.google.mlkit.common.model.CustomRemoteModel
com.google.firebase.ml.vision.label.FirebaseVisionOnDeviceImageLabelerOptions	com.google.mlkit.vision.label.defaults.ImageLabelerOptions
com.google.firebase.ml.vision.label.FirebaseVisionImageLabel	com.google.mlkit.vision.label.ImageLabel
com.google.firebase.ml.vision.label.FirebaseVisionOnDeviceAutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions
com.google.firebase.ml.vision.objects.FirebaseVisionObjectDetectorOptions	com.google.mlkit.vision.objects.defaults.ObjectDetectorOptions

Para outras classes, siga estas regras:

Remova o prefixo FirebaseVision do nome da classe.
Remova outros prefixos que começam com Firebase do nome da classe.

Além disso, nos nomes de pacotes, substitua o prefixo com.google.firebase.ml por com.google.mlkit.

Atualizar nomes de método

Há mudanças mínimas no código:

A instanciação de detector/scanner/labeler/translator… foi alterada. Agora cada recurso tem seu próprio ponto de entrada. Por exemplo: leitura de código de barras, reconhecimento de texto, rotulagem de imagens, tradução etc. As chamadas para o serviço getInstance() do Firebase são substituídas por chamadas para o método getClient() do ponto de entrada do recurso.
A instanciação padrão de TextRecognizer foi removida, já que introduzimos outras bibliotecas para reconhecer outros scripts, como chinês e coreano. Para usar as opções padrão com o modelo de reconhecimento de texto em script latino, declare uma dependência de com.google.android.gms:play-services-mlkit-text-recognition e use TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS).
A instanciação padrão para ImageLabeler e ObjectDetector foi removida, já que introduzimos o suporte a modelos personalizados para esses dois recursos. Por exemplo, para usar as opções padrão com o modelo base no ImageLabeling, declare uma dependência em com.google.mlkit:image-labeling e use ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS) no Java.
Todos os identificadores (detector/scanner/labeler/translator…) podem ser fechados. Verifique se o método close() é chamado quando esses objetos não forem mais usados. Se você estiver usando em um Fragment ou AppCompatActivity, uma maneira fácil de fazer isso é chamar LifecycleOwner.getLifecycle() no Fragment ou AppCompatActivity e, em seguida, chamar Lifecycle.addObserver.
processImage() e detectInImage() nas APIs Vision foram renomeados como process() para consistência.
As APIs Natural Language agora usam o termo "código de idioma" em vez de "código de idioma", conforme definido pelo padrão BCP 47.
Os métodos getter nas classes xxxOptions foram removidos.
O método getBitmap() na classe InputImage(substituindo FirebaseVisionImage) não tem mais suporte como parte da interface pública. Consulte BitmapUtils.java no exemplo de início rápido do Kit de ML para converter bitmaps de várias entradas.
O FirebaseVisionImageMetadata foi removido. Você pode transmitir metadados de imagem, como largura, altura, graus de rotação e formato, para os métodos de construção do InputImages.

Confira alguns exemplos de métodos antigos e novos do Kotlin:

Antigo

// Construct image labeler with base model and default options.
val imageLabeler = FirebaseVision.getInstance().onDeviceImageLabeler

// Construct object detector with base model and default options.
val objectDetector = FirebaseVision.getInstance().onDeviceObjectDetector

// Construct face detector with given options
val faceDetector = FirebaseVision.getInstance().getVisionFaceDetector(options)

// Construct image labeler with local AutoML model
val localModel =
    FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build()
val autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build()
    )

Novo

// Construct image labeler with base model and default options.
val imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)
// Optional: add life cycle observer
lifecycle.addObserver(imageLabeler)

// Construct object detector with base model and default options.
val objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS)

// Construct face detector with given options
val faceDetector = FaceDetection.getClient(options)

// Construct image labeler with local AutoML model
val localModel =
  LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build()
val autoMLImageLabeler =
  ImageLabeling.getClient(
    CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build())

Confira alguns exemplos de métodos Java antigos e novos:

Antigo

// Construct image labeler with base model and default options.
FirebaseVisionImageLabeler imagelLabeler =
     FirebaseVision.getInstance().getOnDeviceImageLabeler();

// Construct object detector with base model and default options.
FirebaseVisionObjectDetector objectDetector =
     FirebaseVision.getInstance().getOnDeviceObjectDetector();

// Construct face detector with given options
FirebaseVisionFaceDetector faceDetector =
     FirebaseVision.getInstance().getVisionFaceDetector(options);

// Construct image labeler with local AutoML model
FirebaseAutoMLLocalModel localModel =
    new FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build();
FirebaseVisionImageLabeler autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build());

Novo

// Construct image labeler with base model and default options.
ImageLabeler imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS);
// Optional: add life cycle observer
getLifecycle().addObserver(imageLabeler);

// Construct object detector with base model and default options.
ObjectDetector objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS);

// Construct face detector with given options
FaceDetector faceDetector = FaceDetection.getClient(options);

// Construct image labeler with local AutoML model
LocalModel localModel =
  new LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build();
ImageLabeler autoMLImageLabeler =
  ImageLabeling.getClient(
    new CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build());

Mudanças específicas da API

Leitura de código de barras

Para a API de leitura de código de barras, agora há duas maneiras de entregar os modelos:

Pelo Google Play Services, também conhecido como "thin" (recomendado): isso reduz o tamanho do app, e o modelo é compartilhado entre os aplicativos. No entanto, os desenvolvedores precisam garantir que o modelo seja baixado antes de usá-lo pela primeira vez.
Com o APK do app, também conhecido como "empacotado", o tamanho do app aumenta, mas o modelo fica imediatamente utilizável.

As duas implementações são um pouco diferentes, e a versão "em pacote" tem várias melhorias em relação à versão "simples". Confira detalhes sobre essas diferenças nas diretrizes da API de leitura de código de barras.

Detecção facial

Para a API Face Detection, há duas maneiras de enviar os modelos:

Pelo Google Play Services, também conhecido como "thin" (recomendado): isso reduz o tamanho do app, e o modelo é compartilhado entre os aplicativos. No entanto, os desenvolvedores precisam garantir que o modelo seja baixado antes de usá-lo pela primeira vez.
Com o APK do app, também conhecido como "empacotado": isso aumenta o tamanho de download do app, mas significa que o modelo pode ser usado imediatamente.

O comportamento das implementações é o mesmo.

Tradução

Agora, TranslateLanguage usa nomes legíveis para as constantes (por exemplo, ENGLISH) em vez de tags de idioma (EN). Elas também são agora @StringDef, em vez de @IntDef, e o valor da constante é a tag de idioma BCP 47 correspondente.
Se o app usa a opção de condição de download "dispositivo inativo", saiba que ela foi removida e não pode ser usada mais. Ainda é possível usar a opção "Carregamento do dispositivo". Se você quiser um comportamento mais complexo, pode atrasar a chamada de RemoteModelManager.download atrás da sua própria lógica.

Rotulagem de imagens do AutoML

Se o app usa a opção de condição de download "dispositivo inativo", saiba que ela foi removida e não pode mais ser usada. Ainda é possível usar a opção "Carregamento do dispositivo".

Se você quiser um comportamento mais complexo, a chamada RemoteModelManager.download pode ser adiada para depois da sua própria lógica.

Detecção e rastreamento de objetos

Se o app usa a detecção de objetos com classificação grosseira, saiba que o novo SDK mudou a maneira como ele retorna a categoria de classificação para objetos detectados.

A categoria de classificação é retornada como uma instância de DetectedObject.Label em vez de um número inteiro. Todas as categorias possíveis para o classificador grosseiro estão incluídas na classe PredefinedCategory.

Confira um exemplo do código antigo e do novo Kotlin:

Antigo

if (object.classificationCategory == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

Novo

if (!object.labels.isEmpty() && object.labels[0].text == PredefinedCategory.FOOD) {
    ...
}
// or
if (!object.labels.isEmpty() && object.labels[0].index == PredefinedCategory.FOOD_INDEX) {
    ...
}

Confira um exemplo do código Java antigo e do novo:

Antigo

if (object.getClassificationCategory() == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

Novo

if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getText().equals(PredefinedCategory.FOOD)) {
    ...
}
// or
if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getIndex() == PredefinedCategory.FOOD_INDEX) {
    ...
}

A categoria "desconhecida" foi removida. Quando a confiança da classificação de um objeto é baixa, não retornamos nenhum rótulo.

Remover dependências do Firebase (opcional)

Esta etapa só se aplica quando estas condições são atendidas:

O Kit de ML para Firebase é o único componente do Firebase que você usa.
Você só usa APIs no dispositivo.
Você não usa a veiculação de modelos.

Se esse for o caso, você poderá remover as dependências do Firebase após a migração. Siga estas etapas:

Remova o arquivo de configuração do Firebase excluindo o arquivo google-services.json no diretório de módulos (nível do app) do seu app.
Substitua o plug-in do Gradle para Serviços do Google no arquivo do Gradle do módulo (nível do app) (geralmente app/build.gradle) pelo plug-in Strict Version Matcher:

Antes

apply plugin: 'com.android.application'
apply plugin: 'com.google.gms.google-services'  // Google Services plugin

android {
  // …
}

Depois

apply plugin: 'com.android.application'
apply plugin: 'com.google.android.gms.strict-version-matcher-plugin'

android {
  // …
}

Substitua o classpath do plug-in do Google Services no arquivo do Gradle (build.gradle) do projeto (nível raiz) pelo do plug-in Strict Version Matcher:

Antes

buildscript {
  dependencies {
    // ...

    classpath 'com.google.gms:google-services:4.3.3'  // Google Services plugin
  }
}

Depois

buildscript {
  dependencies {
    // ...

    classpath 'com.google.android.gms:strict-version-matcher-plugin:1.2.1'
  }
}

Exclua o app do Firebase no Console do Firebase de acordo com as instruções no site de suporte do Firebase.

Como receber ajuda

Se você tiver algum problema, confira nossa página da comunidade, onde descrevemos os canais disponíveis para entrar em contato com nossa equipe.