ML Kit
AzML Kit a Google megoldása a testreszabott gépi tanulás mobilalkalmazásokba való integrálására, és 2018-ban az I/O konferencián mutatták be. Az ML Kit a Google készülékre telepített gépi tanulási innovációját adja a mobilalkalmazások fejlesztőinek, hogy segítsen nekik testreszabott élményeket beépíteni az alkalmazásaikba, amely olyan eszközöket tartalmaz, mint a nyelvi fordítás, szövegfelismerés, tárgyfelismerés stb. Az ML Kit segít a vizuális és szöveges adatok azonosításában, elemzésében, megértésében valós időben és a felhasználó adatvédelmét szem előtt tartva, mivel az adatok az eszközön maradnak. A Google termékmenedzsment igazgatója szerint: “Sokkal megközelíthetőbbé teszi a gépi tanulást.”
A fejlesztők az ML Kit for Video és a képelemző API-k alá tartozó Vision API-kat használhatják a képek címkézésére, vonalkódok, szövegek, arcok és tárgyak felismerésére. Ez különféle fejlett alkalmazások fejlesztéséhez és ML-integrációhoz használható, például vonalkódolvasáshoz, arcfelismeréshez, képcímkézéshez, objektumfelismeréshez és -követéshez. Vannak természetes nyelvi feldolgozó API-k is 58 nyelv közötti azonosításhoz és fordításhoz, valamint válaszjavaslatok nyújtásához. Ennek eredményeként ma már több mint 25 000 Android és iOS alkalmazás használja az ML Kit funkcióit.
Az ML Kit eredeti verziója szorosan integrálva volt a Firebase-hez, és a nagyobb rugalmasság érdekében, az alkalmazásokba való implementálás során a Google nemrég bejelentette, hogy az összes készülékre vonatkozó API-t elérhetővé teszi egy új, önálló ML Kit SDK-ban, amely már nem igényel Firebase projektet. Ez hozzáférést biztosít a fejlesztők számára azokhoz az egyedi előnyökhöz, amelyeket az on-device, szemben azzal, amit a felhő ML kínál.
Töltse le mobilalkalmazásunkat
A Google szerint, ha az ML Kit nem teljesen elégíti ki a fejlesztők igényeit, a fejlesztők alternatív modelleket kereshetnek, és azt, hogyan lehet egyéni ML-modelleket képezni és használni az Android-alkalmazásban. “Ha a kulcsrakész ML-megoldások nem felelnek meg az Ön igényeinek, akkor a TensorFlow Hub legyen az első számú célpont. Ez a Google és a szélesebb kutatói közösség ML-modelleinek tárháza. Az oldalon található modellek készen állnak a felhőben, a webböngészőben vagy az eszközön lévő alkalmazásban való használatra” – olvasható a Google
Mi más újdonság?
Az olyan kulcsfontosságú látásmodellek mellett, mint a MobileNet és az EfficientNet, az adattár olyan, a legújabb kutatásokra épülő modellekkel is büszkélkedhet, mint a borok osztályozása 400 000 népszerű borra, az amerikai szupermarketek termékosztályozása 100 000 termékre, földrészenkénti felismerés, a Brain Accra által készített CropNet modell a manióka levélbetegségek felismerésére, az AgriPredict által készített növényi betegségfelismerés, amely a kukorica és a paradicsom növény betegségeit ismeri fel.
Az alapmodellek nagy tárháza révén a fejlesztők saját modelleket is betaníthatnak. Fejlesztőbarát eszközök állnak rendelkezésre számos gyakori felhasználási esethez. A Firebase AutoML Vision Edge mellett a TensorFlow-csapat az év elején elindította a TensorFlow Lite Model Maker-t, hogy a fejlesztők több választási lehetőséget kapjanak az alapmodellel kapcsolatban, amely több felhasználási esetet támogat. A TensorFlow Lite Model Maker jelenleg két gyakori ML feladatot támogat, ezek a szöveg- és képosztályozás.
A TensorFlow Lite Model Maker futtatható a saját fejlesztői gépen vagy a Google Colab online gépi tanulási notebookjain. A jövőben az Android-csapat a meglévő ajánlatok továbbfejlesztését és új felhasználási esetek hozzáadását tervezi.
Mihelyt a fejlesztők kiválasztottak egy modellt vagy betanították a modelljüket, új, könnyen használható eszközök állnak rendelkezésre, amelyek segítségével az ML Model binding with Android Studio 4.1 segítségével integrálhatják azokat az Android alkalmazásukba anélkül, hogy mindent ByteArrays-ra kellene konvertálniuk. Ez lehetővé teszi a fejlesztők számára, hogy bármilyen TFLite modellt importáljanak, kiolvassák a modell input/output szignatúráját, és mindössze néhány sornyi kóddal használják, amely meghívja a nyílt forráskódú TensorFlow Lite Android Support Library-t.
Iratkozzon fel hírlevelünkre
Megosztva e-mail címét, megkapja a legújabb frissítéseket és releváns ajánlatokat.