מדריך להעברה של ML Kit AutoML Vision Edge

הערה: ה-AutoML Vision Edge מבוסס-API לתיוג תמונות הוצא משימוש. ממשקי ה-API של מודלים מותאמים אישית (הוספת תוויות לתמונות ומעקב אחרי אובייקטים) תומכים במודלים שאומנו על ידי AutoML. במדריך ההעברה מוסבר איך להעביר הטמעה קיימת של AutoML Vision Edge לשימוש ב-API החדש של המודלים בהתאמה אישית.

אפשר להעביר מודל לסיווג תמונות שאומן באמצעות AutoML לממשקי ה-API של המודלים בהתאמה אישית. תוכלו להמשיך לצרף את המודל בתוך האפליקציה או לארח אותו במסוף Firebase כמודל מותאם אישית. ה-AutoML לתיוג תמונות באמצעות תמונות הוסר מ-ML Kit כי הוא הוחלף במלואו ב-Custom Model Labeling API.

API	מה משתנה?
API של AutoML Vision Edge לתיוג תמונות	הוא מוחל במלואו בממשק ה-API של הוספת תוויות לתמונות של מודלים מותאמים אישית. ממשק ה-API הקיים של AutoML Vision Edge לתיוג תמונות יוסר.

אם אתם כבר משתמשים ב-ML Kit שמשתמשים ב-AutoML Vision Edge API, צריך לבצע את הוראות ההעברה ל-Android ול-iOS.

שאלות נפוצות

מה הסיבה לשינוי הזה?

הוא מפשט את ממשקי ה-API של ML Kit ומקל על השילוב של ML Kit באפליקציה. בעזרת השינוי הזה תוכלו להשתמש במודל שאומן באמצעות AutoML בדיוק כמו מודל מותאם אישית. הוא גם מאפשר להשתמש במודלים שאומנו באמצעות AutoML לזיהוי ולמעקב של אובייקטים, בנוסף לתיוג תמונות שאנחנו תומכים בו כרגע. בנוסף, ה-API של המודלים בהתאמה אישית תומך בשני מודלים עם מפת תוויות שמוטמעת במטא-נתונים, וגם במודלים עם קובצי מניפסט וקובצי תוויות נפרדים.

מהם היתרונות של המעבר לערכת ה-SDK החדשה?

• תכונות חדשות: יכולת להשתמש במודלים שאומנו באמצעות AutoML גם לסימון תמונות וגם לזיהוי ומעקב של אובייקטים, ויכולת להשתמש במודלים עם מפת תוויות שמוטמעת במטא-נתונים.

מדריך להעברת נתונים (מיגרציה) ל-Android

שלב 1: מעדכנים את תהליך הייבוא של Gradle

מעדכנים את יחסי התלות של ספריות ML Kit Android בקובץ Gradle במודול (ברמת האפליקציה) (בדרך כלל app/build.gradle) לפי הטבלה הבאה:

תכונה	ארטיפקטים ישנים	ארטיפקט חדש
הוספת תוויות לתמונה באמצעות AutoML ללא הורדת מודל מרחוק	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
הוספת תיוג לתמונה באמצעות AutoML באמצעות הורדת מודל מרחוק	com.google.mlkit:image-labeling-automl:16.2.1 com.google.mlkit:linkfirebase:16.0.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5 com.google.mlkit:linkfirebase:17.0.0

שלב 2: מעדכנים את שמות הכיתות

אם הכיתה מופיעה בטבלה הזו, צריך לבצע את השינוי הרצוי:

כיתה ישנה	כיתה חדשה
com.google.mlkit.vision.label.automl.AutoMLImageLabelerLocalModel	com.google.mlkit.common.model.LocalModel
com.google.mlkit.vision.label.automl.AutoMLImageLabelerRemoteModel	com.google.mlkit.common.model.CustomRemoteModel
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

הערה: בעבר עם AutoMLImageLabelerOptions, אם לא הוגדר confidenceThreshold, ייעשה שימוש בערך ברירת המחדל של סף הסמך, 0.5. עכשיו עם CustomImageLabelerOptions, אם confidenceThreshold לא מוגדר, הוא ישתמש בערך סף הסמך שכלול במטא-נתונים של המודל, אם הוא זמין. אם הערך הזה לא קיים, המערכת תשתמש בערך 0.0.

שלב 3: מעדכנים את שמות השיטות

יש שינויים קלים בקוד:

• עכשיו אפשר לאתחל את LocalModel באמצעות נתיב של קובץ מודל (אם למודל יש מטא-נתונים שמכילים את מפת התווית) או נתיב קובץ של מניפסט המודל (אם המניפסט, המודל והתוויות נמצאים בקבצים נפרדים).
• אפשר לארח מרחוק מודל מותאם אישית דרך מסוף Firebase ולהפעיל CustomRemoteModel באמצעות FirebaseModelSource.

הנה כמה דוגמאות לשיטות Kotlin ישנות וחדשות:

ישן

val localModel = AutoMLImageLabelerLocalModel.Builder()
    .setAssetFilePath("automl/manifest.json")
    // or .setAbsoluteFilePath(absolute file path to manifest file)
    .build()

val optionsWithLocalModel = AutoMLImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

val remoteModel = AutoMLImageLabelerRemoteModel.Builder("automl_remote_model")
    .build()

val optionsWithRemoteModel = AutoMLImageLabelerOptions.Builder(remoteModel)
    .build()

חדש

val localModel = LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    // or .setAbsoluteManifestFilePath(absolute file path to manifest file)
    .build()

val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

val firebaseModelSource = FirebaseModelSource.Builder("automl_remote_model")
    .build()
val remoteModel = CustomRemoteModel.Builder(firebaseModelSource).build()
val optionsWithRemoteModel = CustomImageLabelerOptions.Builder(remoteModel)
    .build()

הנה כמה דוגמאות לשיטות Java ישנות וחדשות:

ישן

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("automl/manifest.json")
        // or .setAbsoluteFilePath(absolute file path to manifest file)
        .build();
AutoMLImageLabelerOptions optionsWithLocalModel =
    new AutoMLImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();
AutoMLImageLabelerRemoteModel remoteModel =
    new AutoMLImageLabelerRemoteModel.Builder("automl_remote_model").build();
AutoMLImageLabelerOptions optionsWithRemoteModel =
    new AutoMLImageLabelerOptions.Builder(remoteModel)
        .build();

חדש

LocalModel localModel =
    new LocalModel.Builder()
        .setAssetManifestFilePath("automl/manifest.json")
        // or .setAbsoluteManifestFilePath(absolute file path to manifest file)
        .build()
CustomImageLabelerOptions optionsWithLocalModel =
    new CustomImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();
FirebaseModelSource firebaseModelSource =
    new FirebaseModelSource.Builder("automl_remote_model").build();
CustomRemoteModel remoteModel =
    new CustomRemoteModel.Builder(firebaseModelSource).build();
CustomImageLabelerOptions optionsWithRemoteModel =
    new CustomImageLabelerOptions.Builder(remoteModel).build();

מדריך להעברת נתונים (מיגרציה) ל-iOS

דרישות מוקדמות

• נדרש Xcode 13.2.1 ומעלה.

שלב 1: מעדכנים את Cocoapods

מעדכנים את יחסי התלות של ML Kit ב-iOS ב-Podfile של האפליקציה:

תכונה	שמות ישנים של פודקאסטים	שמות חדשים של פודקאסטים
הוספת תוויות לתמונה באמצעות AutoML ללא הורדת מודל מרחוק	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
הוספת תיוג לתמונה באמצעות AutoML באמצעות הורדת מודל מרחוק	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom GoogleMLKit/LinkFirebase

שלב 2: מעדכנים את שמות הכיתות

אם הכיתה מופיעה בטבלה הזו, צריך לבצע את השינוי הרצוי:

Swift

כיתה ישנה	כיתה חדשה
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	CustomRemoteModel
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

כיתה ישנה	כיתה חדשה
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKCustomRemoteModel
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Objective-C

הערה: בעבר עם AutoMLImageLabelerOptions, אם לא הוגדר confidenceThreshold, ייעשה שימוש בערך ברירת המחדל של סף הסמך 0.5. עכשיו עם CustomImageLabelerOptions, אם confidenceThreshold לא מוגדר, הוא ישתמש בערך סף הסמך שכלול במטא-נתונים של המודל, אם הוא זמין. אם הערך הזה לא קיים, המערכת תשתמש בערך 0.0 במקום זאת.

שלב 3: מעדכנים את שמות השיטות

יש שינויים קלים בקוד:

• עכשיו אפשר לאתחל את LocalModel באמצעות נתיב של קובץ מודל (אם למודל יש מטא-נתונים שמכילים את מפת התווית) או נתיב קובץ של מניפסט המודל (אם המניפסט, המודל והתוויות נמצאים בקבצים נפרדים).
• אפשר לארח מרחוק מודל מותאם אישית דרך מסוף Firebase ולהפעיל CustomRemoteModel באמצעות FirebaseModelSource.

הנה כמה דוגמאות לשיטות Swift הישנות והחדשות:

ישן

let localModel =
    AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json")
let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel)
let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model")
let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)

חדש

guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return }
let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel)
let firebaseModelSource = FirebaseModelSource(name: "automl_remote_model")
let remoteModel = CustomRemoteModel(remoteModelSource: firebaseModelSource)
let optionsWithRemoteModel = CustomImageLabelerOptions(remoteModel: remoteModel)

לפניכם כמה דוגמאות לשיטות ישנות וחדשות של Objective-C:

ישן

MLKAutoMLImageLabelerLocalModel *localModel =
    [[MLKAutoMLImageLabelerLocalModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithLocalModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithLocalModel:localModel];
MLKAutoMLImageLabelerRemoteModel *remoteModel =
    [[MLKAutoMLImageLabelerRemoteModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithRemoteModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithRemoteModel:remoteModel];

חדש

MLKLocalModel *localModel =
    [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"];
MLKCustomImageLabelerOptions *optionsWithLocalModel =
    [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel];
MLKFirebaseModelSource *firebaseModelSource =
    [[MLKFirebaseModelSource alloc] initWithName:@"automl_remote_model"];
MLKCustomRemoteModel *remoteModel =
    [[MLKCustomRemoteModel alloc] initWithRemoteModelSource:firebaseModelSource];
MLKCustomImageLabelerOptions *optionsWithRemoteModel =
    [[MLKCustomImageLabelerOptions alloc] initWithRemoteModel:remoteModel];