ML Kit AutoML Vision Edge-Migrationsanleitung

Hinweis: Die AutoML Vision Edge API für Bildlabels wurde eingestellt. Die benutzerdefinierten Modell-APIs (Bild-Labeling sowie Objekterkennung und -tracking) unterstützen von AutoML trainierte Modelle. In dieser Migrationsanleitung wird erläutert, wie Sie eine vorhandene AutoML Vision Edge-Implementierung zur Verwendung der neuen API für benutzerdefinierte Modelle migrieren.

Sie können ein von AutoML trainiertes Bildklassifizierungsmodell an die APIs des benutzerdefinierten Modells übergeben. Sie können das Modell weiterhin entweder in Ihrer App bündeln oder als benutzerdefiniertes Modell in der Firebase Console hosten. Die AutoML Image Labeling API wurde aus dem ML Kit entfernt, da sie vollständig durch die Custom Model Image Labeling API ersetzt wurde.

API	Was ändert sich?
AutoML Vision Edge API für Bildlabels	Sie wurde vollständig durch die Image Labeling API für benutzerdefinierte Modelle ersetzt. Die vorhandene AutoML Vision Edge API für das Image Labeling wird entfernt.

Wenn Sie derzeit ein ML Kit-Nutzer sind und die AutoML Vision Edge API verwenden, folgen Sie bitte der Migrationsanleitung für Android und iOS.

Häufig gestellte Fragen

Was ist der Grund für diese Änderung?

Sie vereinfacht ML Kit-APIs und die Integration von ML Kit in Ihre App. Mit dieser Änderung können Sie ein von AutoML trainiertes Modell genau auf die gleiche Weise wie ein benutzerdefiniertes Modell verwenden. Neben dem Labeling von Bildern, das wir derzeit unterstützen, können Sie damit auch von AutoML trainierte Modelle für die Objekterkennung und das Objekt-Tracking verwenden. Darüber hinaus unterstützt die API für benutzerdefinierte Modelle sowohl Modelle mit einer in die Metadaten eingebetteten Labelzuordnung als auch Modelle mit separaten Manifest- und Labeldateien.

Welche Vorteile habe ich durch die Migration zum neuen SDK?

• Neue Funktionen: Von AutoML trainierte Modelle können sowohl für Bildlabels als auch für Objekterkennung und -tracking verwendet werden. Außerdem können Modelle mit in die Metadaten eingebetteter Labelzuordnung verwendet werden.

Migrationsanleitung für Android

Schritt 1: Gradle Imports aktualisieren

Aktualisieren Sie die Abhängigkeiten für die ML Kit-Android-Bibliotheken in der Gradle-Datei Ihres Moduls (in der Regel app/build.gradle) auf App-Ebene gemäß der folgenden Tabelle:

Feature	Alte Artefakte	Neues Artefakt
AutoML-Bild-Labeling ohne Remote-Herunterladen des Modells	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
AutoML-Bild-Labeling mit Remote-Modelldownload	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

Schritt 2: Kursnamen aktualisieren

Wenn Ihr Kurs in dieser Tabelle angezeigt wird, nehmen Sie die entsprechende Änderung vor:

Alte Klasse	Neuer Kurs
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

Hinweis: Bisher wurde mit AutoMLImageLabelerOptions der Standardgrenzwert für den Konfidenzgrenzwert von 0.5 verwendet, wenn confidenceThreshold nicht festgelegt ist. Wenn jetzt bei CustomImageLabelerOptions kein confidenceThreshold festgelegt ist, wird der Konfidenzgrenzwert verwendet, der in den Modellmetadaten enthalten ist, falls verfügbar. Andernfalls wird der Wert 0.0 verwendet.

Schritt 3: Methodennamen aktualisieren

Es gibt nur minimale Änderungen am Code:

• LocalModel kann jetzt entweder mit einem Modelldateipfad (wenn das Modell Metadaten enthält, die die Labelzuordnung enthalten) oder mit einem Modellmanifestdateipfad (wenn sich Manifest, Modell und Labels in separaten Dateien befinden) initialisiert werden.
• Sie können ein benutzerdefiniertes Modell remote über die Firebase Console hosten und ein CustomRemoteModel mit einem FirebaseModelSource initialisieren.

Hier sind einige Beispiele für alte und neue Kotlin-Methoden:

Alt

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()

Neu

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()

Hier sind einige Beispiele für alte und neue Java-Methoden:

Alt

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();

Neu

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();

Migrationsanleitung für iOS

Voraussetzungen

• Xcode 13.2.1 oder höher ist erforderlich.

Schritt 1: CocoaPods aktualisieren

Aktualisieren Sie die Abhängigkeiten für die ML Kit iOS-CocoaPods in der Podfile-Datei Ihrer App:

Feature	Alte Pod-Name(n)	Neuer Pod-Name(n)
AutoML-Bild-Labeling ohne Remote-Herunterladen des Modells	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
AutoML-Bild-Labeling mit Remote-Modelldownload	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom GoogleMLKit/LinkFirebase

Schritt 2: Kursnamen aktualisieren

Wenn Ihr Kurs in dieser Tabelle angezeigt wird, nehmen Sie die entsprechende Änderung vor:

Swift

Alte Klasse	Neuer Kurs
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	CustomRemoteModel
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Alte Klasse	Neuer Kurs
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKCustomRemoteModel
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Objective-C

Hinweis: Bisher wurde mit AutoMLImageLabelerOptions der Standardkonfidenzgrenzwert 0.5 verwendet, wenn confidenceThreshold nicht festgelegt ist. Wenn jetzt bei CustomImageLabelerOptions kein confidenceThreshold festgelegt ist, wird der Konfidenzgrenzwert verwendet, der in den Modellmetadaten enthalten ist, falls verfügbar. Andernfalls wird stattdessen der Wert 0.0 verwendet.

Schritt 3: Methodennamen aktualisieren

Es gibt nur minimale Änderungen am Code:

• LocalModel kann jetzt entweder mit einem Modelldateipfad (wenn das Modell Metadaten enthält, die die Labelzuordnung enthalten) oder mit einem Modellmanifestdateipfad (wenn sich Manifest, Modell und Labels in separaten Dateien befinden) initialisiert werden.
• Sie können ein benutzerdefiniertes Modell remote über die Firebase Console hosten und ein CustomRemoteModel mit einem FirebaseModelSource initialisieren.

Hier sind einige Beispiele für alte und neue Swift-Methoden:

Alt

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

Neu

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)

Hier sind einige Beispiele für alte und neue Objective-C-Methoden:

Alt

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];

Neu

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];