Przewodnik po migracji do ML Kit AutoML Vision Edge

Uwaga: interfejs API AutoML Vision Edge do etykietowania obrazów został wycofany. Interfejsy API niestandardowych modeli (etykietowanie obrazów oraz wykrywanie i śledzenie obiektów) obsługują modele wytrenowane przez AutoML. Z tego przewodnika dowiesz się, jak przenieść istniejące wdrożenie AutoML Vision Edge, aby używać nowego interfejsu API modelu niestandardowego.

Model klasyfikacji obrazów wytrenowany za pomocą AutoML możesz przekazać do interfejsów API modelu niestandardowego. Nadal możesz dołączać model do aplikacji lub hostować go w konsoli Firebase jako model niestandardowy. Interfejs API do etykietowania obrazów AutoML został usunięty z ML Kit, ponieważ został całkowicie zastąpiony interfejsem API do etykietowania obrazów za pomocą niestandardowego modelu.

Interfejs API	Co się zmienia?
Interfejs API do etykietowania obrazów AutoML Vision Edge	Został on całkowicie zastąpiony interfejsem API do oznaczania obrazów za pomocą niestandardowego modelu. Istniejący interfejs API do etykietowania obrazów AutoML Vision Edge został usunięty.

Jeśli obecnie używasz pakietu ML Kit z interfejsem AutoML Vision Edge API, postępuj zgodnie z instrukcjami migracji na Androida i iOS.

Najczęstsze pytania

Skąd ta zmiana?

Pomaga to uprościć interfejsy API ML Kit i ułatwia integrację ML Kit w aplikacji. Dzięki tej zmianie możesz używać modelu wytrenowanego przez AutoML w identyczny sposób jak modelu niestandardowego. Umożliwia też używanie modeli wytrenowanych za pomocą AutoML do wykrywania i śledzenia obiektów, a także do etykietowania obrazów, które obecnie obsługujemy. Ponadto interfejs API modelu niestandardowego obsługuje zarówno modele z mapą etykiet wbudowaną w metadane, jak i modele z osobnymi plikami manifestu i etykiet.

Jakie korzyści przynosi migracja na nowy pakiet SDK?

• Nowe funkcje: możliwość korzystania z modeli wytrenowanych przez AutoML do etykietowania obrazów oraz wykrywania i śledzenia obiektów, a także możliwość korzystania z modeli z mapą etykiet zawartą w metadanych.

Przewodnik po migracji na Androida

Krok 1. Zaktualizuj importy Gradle

Zaktualizuj zależności bibliotek ML Kit na Androida w pliku Gradle modułu (na poziomie aplikacji) (zwykle app/build.gradle) zgodnie z tabelą:

Funkcja	Stare artefakty	Nowy artefakt
Etykietowanie obrazów za pomocą AutoML bez pobierania modelu zdalnego	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
Etykietowanie obrazów za pomocą AutoML z pobieraniem modelu zdalnego	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

Krok 2. Zaktualizuj nazwy zajęć

Jeśli Twoja klasa znajduje się w tej tabeli, wprowadź wskazaną zmianę:

Stara klasa	Nowe zajęcia
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

Uwaga: jeśli w wersji AutoMLImageLabelerOptions parametr confidenceThreshold nie był ustawiony, używana była domyślna wartość progu ufności 0.5. Teraz, jeśli parametr CustomImageLabelerOptions nie jest ustawiony, confidenceThreshold będzie używać wartości progu ufności zawartej w metadanych modelu (jeśli jest dostępna). Jeśli nie ma takiego elementu, zamiast niego zostanie użyta wartość 0.0.

Krok 3. Zaktualizuj nazwy metod

Wymaga to minimalnych zmian w kodzie:

• LocalModel może teraz być inicjowany za pomocą ścieżki pliku modelu (jeśli model ma metadane zawierające mapę etykiet) lub ścieżki pliku manifestu modelu (jeśli manifest, model i etykiety znajdują się w osobnych plikach).
• Model niestandardowy możesz hostować zdalnie w konsoli Firebase i inicjializować CustomRemoteModel za pomocą FirebaseModelSource.

Oto kilka przykładów starych i nowych metod Kotlina:

Stary

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()

Nowe

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()

Oto kilka przykładów starych i nowych metod Javy:

Stary

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();

Nowe

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();

Przewodnik po migracji dla deweloperów aplikacji na iOS

Wymagania wstępne

• Wymagana jest wersja Xcode 13.2.1 lub nowsza.

Krok 1. Zaktualizuj Cocoapods

Zaktualizuj zależności pakietu cocoapods ML Kit na iOS w pliku Podfile aplikacji:

Funkcja	Stare nazwy pod	Nazwa(-i) nowego pod
Etykietowanie obrazów za pomocą AutoML bez pobierania modelu zdalnego	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
Etykietowanie obrazów za pomocą AutoML z pobieraniem modelu zdalnego	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom GoogleMLKit/LinkFirebase

Krok 2. Zaktualizuj nazwy zajęć

Jeśli Twoja klasa znajduje się w tej tabeli, wprowadź wskazaną zmianę:

Swift

Stara klasa	Nowe zajęcia
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	CustomRemoteModel
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Stara klasa	Nowe zajęcia
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKCustomRemoteModel
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Objective-C

Uwaga: jeśli w poprzedniej wersji funkcji AutoMLImageLabelerOptions nie ustawisz parametru confidenceThreshold, będzie używana domyślna wartość progu ufności 0.5. Jeśli parametr CustomImageLabelerOptions nie jest ustawiony, a parametr confidenceThreshold jest ustawiony, usługa będzie używać wartości progu pewności zawartej w metadanych modelu (jeśli jest dostępna). Jeśli nie istnieje, zostanie użyta wartość 0.0.

Krok 3. Zaktualizuj nazwy metod

Wymaga to minimalnych zmian w kodzie:

• LocalModel może teraz być inicjowany za pomocą ścieżki pliku modelu (jeśli model ma metadane zawierające mapę etykiet) lub ścieżki pliku manifestu modelu (jeśli manifest, model i etykiety znajdują się w osobnych plikach).
• Model niestandardowy możesz hostować zdalnie w konsoli Firebase i inicjializować CustomRemoteModel za pomocą FirebaseModelSource.

Oto kilka przykładów starych i nowych metod Swift:

Stary

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

Nowe

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)

Oto kilka przykładów starych i nowych metod Objective-C:

Stary

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];

Nowe

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];