Saturs

• Iepazīstieties ar Google Machine Machine Kit
• Kā es varu izmantot ML Kit API?
• Identificējiet tekstu jebkurā attēlā, izmantojot teksta atpazīšanas API
• Izpratne par attēla saturu: attēlu marķēšanas API
• Izpausmju izpratne un sejas izsekošana: sejas noteikšanas API
• Svītrkodu skenēšana ar Firebase un ML
• Mašīnmācība mākonī: orientiera atpazīšanas API
• Valodas identifikācijas API: izstrādāšana starptautiskai auditorijai
• Drīzumā: vieda atbilde
• Ko tālāk? TensorFlow Lite izmantošana kopā ar ML Kit
• Iesaiņošana

Mašīnmācīšanās (ML) var palīdzēt radīt mobilajiem lietotājiem novatorisku, pārliecinošu un unikālu pieredzi.

Kad esat apguvis ML, varat to izmantot, lai izveidotu plašu lietojumu klāstu, ieskaitot lietotnes, kas automātiski sakārto fotoattēlus, pamatojoties uz to priekšmetu, identificē un izseko cilvēka seju tiešraides straumē, izvelk tekstu no attēla un vēl daudz ko citu .

Bet ML nav īsti draudzīgs iesācējiem! Ja vēlaties uzlabot savas Android lietotnes ar jaudīgām mašīnmācīšanās iespējām, tad kur tieši sākt?

Šajā rakstā es sniegšu pārskatu par SDK (programmatūras izstrādes komplektu), kas sola likt ML jaudu pa rokai, pat ja jums ir nulle ML pieredze. Līdz šī raksta beigām jums būs pamats, kas jums jāsāk izveidot inteliģentas, ar ML darbināmas lietotnes, kas spēj marķēt attēlus, skenēt svītrkodus, atpazīt sejas un slavenus orientierus un veikt daudzus citus jaudīgus ML uzdevumus.

Iepazīstieties ar Google Machine Machine Kit

Izlaižot tādas tehnoloģijas kā TensorFlow un CloudVision, ML tiek arvien plašāk izmantots, taču šīs tehnoloģijas nav domātas sirds dēļ! Parasti jums būs nepieciešama dziļa izpratne par neironu tīkliem un datu analīze, lai to iegūtu sākās ar tādu tehnoloģiju kā TensorFlow.

Pat ja jūs darīt ir zināma pieredze ar ML, ar mašīnmācību darbināmas mobilās lietotnes izveidošana var būt laikietilpīgs, sarežģīts un dārgs process, kurā jums ir nepieciešams iegūt pietiekami daudz datu, lai apmācītu savus ML modeļus, un pēc tam optimizēt šos ML modeļus, lai tie darbotos efektīvi mobilā vide. Ja esat individuāls izstrādātājs vai jums ir ierobežoti resursi, iespējams, ka jūsu ML zināšanas nevarēs tikt izmantotas praksē.

ML komplekts ir Google mēģinājums panākt masu apguvi masām.

Zem pārsega ML komplekts apvieno vairākas jaudīgas ML tehnoloģijas, kurām parasti būtu vajadzīgas plašas zināšanas par ML, ieskaitot Cloud Vision, TensorFlow un Android Neironu tīklu API. ML komplekts apvieno šīs speciālās ML tehnoloģijas ar iepriekš apmācītiem modeļiem, kas parasti izmanto mobilajām ierīcēm, ieskaitot teksta iegūšanu no attēla, svītrkoda skenēšanu un fotoattēla satura identificēšanu.

Neatkarīgi no tā, vai jums ir kādas iepriekšējas zināšanas par ML, varat izmantot ML Kit, lai savai Android pievienotu jaudīgas mašīnmācīšanās iespējas un iOS lietotnes - vienkārši pārsūtiet dažus datus uz pareizo ML komplekta daļu, piemēram, teksta atpazīšanas vai valodas identifikācijas API, un šī API atbildes iegūšanai izmantos mašīnmācību.

Kā es varu izmantot ML Kit API?

ML komplekts ir sadalīts vairākās API, kuras tiek izplatītas kā Firebase platformas daļa. Lai izmantotu kādu no ML Kit API, jums būs jāizveido savienojums starp jūsu Android Studio projektu un atbilstošo Firebase projektu un pēc tam jāsazinās ar Firebase.

Lielākā daļa ML Kit modeļu ir pieejami kā modeļi uz ierīces, kurus varat lejupielādēt un lietot lokāli, taču daži modeļi ir pieejami arī mākonī, kas ļauj jūsu lietotnei veikt ar ML darbināmus uzdevumus, izmantojot ierīces interneta savienojumu.

Katrai pieejai ir savs unikālo stipro un vājo pušu kopums, tāpēc jums būs jāizlemj, vai vietējā vai attālā apstrāde ir visnoderīgākā jūsu konkrētajā lietotnē. Jūs pat varētu pievienot atbalstu abiem modeļiem un pēc tam ļaut lietotājiem izlemt, kuru modeli izmantot izpildlaikā. Alternatīvi, iespējams, konfigurēsit savu lietotni, lai atlasītu pašreizējiem apstākļiem labāko modeli, piemēram, izmantojot tikai mākoņa modeli, kad ierīce ir savienota ar Wi-Fi.

Ja izvēlaties vietējo modeli, jūsu lietotnes mašīnmācīšanās funkcijas vienmēr būs pieejamas neatkarīgi no tā, vai lietotājam ir aktīvs interneta savienojums. Tā kā viss darbs tiek veikts uz vietas, ierīces modeļi ir lieliski piemēroti, ja jūsu lietotnei ir ātri jāapstrādā liels datu daudzums, piemēram, ja izmantojat ML Kit, lai manipulētu ar tiešraides video straumi.

Tikmēr mākoņu bāzes modeļi parasti nodrošina lielāku precizitāti nekā to kolēģi uz ierīces, jo mākoņu modeļi izmanto Google Cloud Platform mašīnmācīšanās tehnoloģijas jaudu. Piemēram, Attēlu marķēšanas API ierīcē esošajā modelī ir 400 etiķetes, bet mākoņa modelī ir vairāk 10 000 etiķešu.

Atkarībā no API var būt arī kāda funkcionalitāte, kas ir pieejama tikai mākonī, piemēram, teksta atpazīšanas API var identificēt rakstzīmes, kas nav latīņu valodas, ja izmantojat tās mākoņa modeli.

Mākonis balstītas API ir pieejamas tikai Blaze līmeņa Firebase projektiem, tāpēc, pirms varēsit izmantot kādu no ML Kit mākoņa modeļiem, jums būs jājaunina uz “pay-as-you-go” Blaze plānu.

Ja jūs nolemjat izpētīt mākoņa modeļus, tad rakstīšanas laikā visām ML Kit API bija pieejama bezmaksas kvota. Ja jūs vienkārši vēlējāties eksperimentēt ar mākonī balstītu attēlu marķēšanu, jūs varētu jaunināt savu Firebase projektu uz Blaze plānu, pārbaudīt API mazāk nekā 1000 attēliem un pēc tam atgriezties pie bezmaksas Spark plāna bez maksas. Tomēr noteikumiem un nosacījumiem ir šķebinošs ieradums laika gaitā mainīties, tāpēc pirms jaunināšanas uz Blaze noteikti izlasiet mazo tekstu, lai pārliecinātos, ka jūs nepiemeklē neparedzēti rēķini!

Identificējiet tekstu jebkurā attēlā, izmantojot teksta atpazīšanas API

Teksta atpazīšanas API var saprātīgi identificēt, analizēt un apstrādāt tekstu.

Varat izmantot šo API, lai izveidotu lietojumprogrammas, kas no attēla izvelk tekstu, tāpēc lietotājiem nav jātērē laiks nogurdinošai manuālai datu ievadīšanai. Piemēram, jūs varētu izmantot teksta atpazīšanas API, lai palīdzētu lietotājiem iegūt un ierakstīt informāciju no kvītis, rēķiniem, vizītkartēm vai pat uztura etiķetēm, vienkārši nofotografējot attiecīgo vienumu.

Jūs pat varētu izmantot teksta atpazīšanas API kā pirmo soli tulkošanas lietotnē, kur lietotājs nofotografē kādu nepazīstamu tekstu un API no attēla iegūst visu tekstu, kas ir gatavs nodošanai tulkošanas pakalpojumam.

ML Kit teksta atpazīšanas API ierīcē var identificēt tekstu jebkurā latīņu valodā, bet tā mākoņa bāzes ekvivalents var atpazīt vairāk valodu un rakstzīmju, ieskaitot ķīniešu, japāņu un korejiešu rakstzīmes. Mākonis balstītais modelis ir arī optimizēts, lai no attēla un teksta no blīvi iesaiņotiem dokumentiem iegūtu nelielu tekstu, kas jums jāņem vērā, izlemjot, kuru modeli lietot savā lietotnē.

Vai vēlaties iegūt praktisku pieredzi ar šo API? Pēc tam iepazīstieties ar mūsu detalizēto ceļvedi, kā izveidot lietojumprogrammu, kas var iegūt tekstu no jebkura attēla, izmantojot teksta atpazīšanas API.

Izpratne par attēla saturu: attēlu marķēšanas API

Attēlu marķēšanas API var atpazīt attēla entītijas, ieskaitot atrašanās vietas, cilvēkus, produktus un dzīvniekus, bez nepieciešamības pēc papildu konteksta metadatiem. Attēlu marķēšanas API marķējumu veidā atgriezīs informāciju par atklātajām entītijām. Piemēram, šajā ekrānuzņēmumā es API esmu piegādājis dabas fotoattēlu, un uz to ir atbildēts ar etiķetēm, piemēram, “Mežs” un “Upe”.

Šī spēja atpazīt attēla saturu var palīdzēt jums izveidot lietotnes, kurās tiek atzīmēti fotoattēli, pamatojoties uz to priekšmetu; filtri, kas automātiski identificē neatbilstošu lietotāja iesniegtu saturu un noņem to no jūsu lietotnes; vai par pamatu uzlabotas meklēšanas funkcionalitātei.

Daudzi no ML Kit API atdod vairākus iespējamos rezultātus, kas papildināti ar pievienotajiem ticamības rādītājiem, ieskaitot Image Labelling API. Ja nokārtosit attēla marķējumu ar pūdeļa fotoattēlu, tas, iespējams, atgriezīs tādas etiķetes kā “pūdelis”, “suns”, “mājdzīvnieks” un “mazs dzīvnieks”, visiem ar atšķirīgu vērtējumu, kas norāda API uzticamību katrai etiķetei. Cerams, ka šajā scenārijā “pūdelis” iegūs visaugstāko pārliecības punktu skaitu!

Varat izmantot šo uzticamības rādītāju, lai izveidotu slieksni, kas ir jāievēro, pirms jūsu lietojumprogramma iedarbojas uz noteiktu etiķeti, piemēram, parādot to lietotājam vai atzīmējot fotoattēlu ar šo etiķeti.

Attēlu marķēšana ir pieejama gan ierīcē, gan mākonī, lai gan, ja izvēlēsities mākoņa modeli, iegūsit piekļuvi vairāk nekā 10 000 etiķetēm, salīdzinot ar 400 etiķetēm, kuras ir iekļautas ierīces modelī.

Lai iegūtu padziļinātu ieskatu attēlu marķēšanas API, skatiet sadaļu Noteikt attēla saturu ar mašīnmācīšanos. Šajā rakstā mēs izveidojam lietojumprogrammu, kas apstrādā attēlu, un pēc tam atgriež etiķetes un ticamības rādītājus katrai entītijai, kas tiek atrasta šajā attēlā. Šajā lietotnē mēs arī ieviešam modeļus ierīcēs un mākoņos, lai jūs varētu precīzi redzēt, kā rezultāti atšķiras atkarībā no tā, kuru modeli izvēlaties.

Izpausmju izpratne un sejas izsekošana: sejas noteikšanas API

Sejas noteikšanas API var atrast cilvēku sejas fotoattēlos, video un tiešraidēs un pēc tam iegūt informāciju par katru atklāto seju, ieskaitot tās stāvokli, lielumu un orientāciju.

Jūs varētu izmantot šo API, lai palīdzētu lietotājiem rediģēt savus fotoattēlus, piemēram, automātiski apgriežot visu tukšo vietu ap viņu jaunāko galvu.

Sejas noteikšanas API nav ierobežota ar attēliem - varat šo API lietot arī videoklipiem, piemēram, jūs varētu izveidot lietotni, kas identificē visas video plūsmā esošās sejas un pēc tam visu aizmiglo. izņemot šīs sejas ir līdzīgas Skype fona izplūšanas funkcijai.

Sejas noteikšana ir vienmēr tiek veikts ierīcē, kur tas ir pietiekami ātrs, lai to varētu izmantot reāllaikā, tāpēc atšķirībā no lielākās daļas ML Kit API, sejas noteikšana notiek nē iekļaujiet mākoņa modeli.

Papildus sejas noteikšanai šai API ir arī dažas papildu funkcijas, kuras ir vērts izpētīt. Pirmkārt, sejas noteikšanas API var identificēt sejas orientierus, piemēram, acis, lūpas un ausis, un pēc tam iegūst precīzas katra no šiem orientieriem koordinātas. Šis orientiera atzīšana nodrošina jums precīzu katras atklātās sejas karti - lieliski piemērota paplašinātās realitātes (AR) lietotņu izveidošanai, kas lietotāja kameras padevei pievieno Snapchat stila maskas un filtrus.

Sejas noteikšanas API piedāvā arī sejas klasifikācija. Pašlaik ML komplekts atbalsta divas sejas klasifikācijas: atvērtas acis un smaidoša.

Jūs varētu izmantot šo klasifikāciju kā pamatu piekļuves pakalpojumiem, piemēram, brīvroku vadības ierīcēm, vai arī izveidot spēles, kas reaģē uz spēlētāja sejas izteiksmi. Spēja noteikt, vai kāds smaida vai ir atvērtas acis, var noderēt arī tad, ja veidojat kameras lietotni - galu galā nav nekas sliktāks par fotoattēlu uzņemšanu, tikai vēlāk - lai vēlāk atklātu, ka kādam ir aizvērtas acis iekšā katrs šāviens.

Visbeidzot, sejas noteikšanas API ietver sejas izsekošanas komponentu, kas sejai piešķir ID un pēc tam izseko šo seju vairākos secīgos attēlos vai video kadros. Ņemiet vērā, ka tā ir seja izsekošana un nav patiesa seja atzīšana. Aizkulisēs sejas noteikšanas API izseko sejas stāvokli un kustību un pēc tam secina, ka šī seja, iespējams, pieder vienai un tai pašai personai, taču tā galu galā nemaz nezina par šīs personas identitāti.

Izmēģiniet sejas noteikšanas API pats! Uzziniet, kā izveidot sejas noteikšanas lietotni, izmantojot mašīnmācīšanos un Firebase ML komplektu.

Svītrkodu skenēšana ar Firebase un ML

Svītrkodu skenēšana var neizklausīties tik aizraujoša kā dažas citas mašīnmācīšanās API, taču tā ir viena no pieejamākajām ML komplekta daļām.

Svītrkoda skenēšanai nav nepieciešama īpaša aparatūra vai programmatūra, tāpēc varat izmantot svītrkoda skenēšanas API, vienlaikus nodrošinot, ka jūsu lietotne joprojām ir pieejama pēc iespējas lielākam skaitam cilvēku, ieskaitot vecāku vai budžeta ierīču lietotājus. Kamēr ierīcei ir funkcionējoša kamera, tai nevajadzētu radīt problēmas ar svītrkoda skenēšanu.

ML Kit svītrkodu skenēšanas API var iegūt plašu informācijas klāstu no drukātiem un digitāliem svītrkodiem, kas padara to ātru, ērtu un pieejamu veidu, kā nodot informāciju no reālās pasaules uz jūsu lietojumprogrammu, lietotājiem neveicot garlaicīgu manuālu datu ievadīšanu. .

Pastāv deviņi dažādi datu veidi, kurus svītrkodu skenēšanas API var atpazīt un parsēt no svītrkoda:

• TYPE_CALENDAR_EVENT. Tajā ir tāda informācija kā pasākuma vieta, organizators, kā arī sākuma un beigu laiks.Ja reklamējat kādu notikumu, plakātos vai skrejlapās varat iekļaut drukātu svītrkodu vai savā vietnē ievietot digitālu svītrkodu. Pēc tam potenciālie dalībnieki var iegūt visu informāciju par jūsu notikumu, vienkārši skenējot tā svītrkodu.
• TYPE_CONTACT_INFO. Šis datu tips ietver informāciju, piemēram, kontaktpersonas e-pasta adresi, vārdu, tālruņa numuru un virsrakstu.
• TYPE_DRIVER_LICENSE. Tajā ir informācija, piemēram, iela, pilsēta, štats, nosaukums un dzimšanas datums, kas saistīts ar autovadītāja apliecību.
• TYPE_EMAIL. Šis datu tips ietver e-pasta adresi, kā arī e-pasta tēmas rindu un pamattekstu.
• TYPE_GEO. Tas satur konkrēta ģeogrāfiskā punkta platumu un garumu, kas ir vienkāršs veids, kā dalīties ar atrašanās vietu ar lietotājiem vai arī dalīties ar savu atrašanās vietu ar citiem. Jūs pat varētu potenciāli izmantot ģeogrāfiskos svītrkodus, lai aktivizētu notikumus, kas balstīti uz atrašanās vietu, piemēram, parādītu noderīgu informāciju par lietotāja pašreizējo atrašanās vietu vai kā pamatu mobilajām spēlēm, kas balstītas uz atrašanās vietu.
• TYPE_PHONE. Tas satur tālruņa numuru un numura veidu, piemēram, vai tas ir darba, vai mājas tālruņa numurs.
• TYPE_SMS. Tas satur īsziņas pamattekstu un ar īsziņu saistīto tālruņa numuru.
• TYPE_URL. Šajā datu tipā ir URL un URL nosaukums. TYPE_URL svītrkoda skenēšana ir daudz vienkāršāka nekā paļaušanās uz lietotājiem, ka tie manuāli ievada garu, sarežģītu URL, nepieļaujot nekādus pareizrakstības vai pareizrakstības kļūdas.
• TYPE_WIFI. Tas satur Wi-Fi tīkla SSID un paroli, kā arī tā šifrēšanas veidu, piemēram, OPEN, WEP vai WPA. Wi-Fi svītrkods ir viens no vienkāršākajiem Wi-Fi akreditācijas datu kopīgošanas veidiem, vienlaikus pilnībā novēršot risku, ka jūsu lietotāji nepareizi ievadīs šo informāciju.

Svītrkodu skenēšanas API var parsēt datus no dažādiem svītrkodiem, ieskaitot lineāros formātus, piemēram, Codabar, Code 39, EAN-8, ITF un UPC-A, un 2D formātus, piemēram, Aztec, Data Matrix un QR Kodi.

Lai lietotājiem būtu vieglāk, šī API vienlaikus skenē visus atbalstītos svītrkodus, kā arī var iegūt datus neatkarīgi no svītrkoda orientācijas - tāpēc nav svarīgi, vai svītrkods ir pilnīgi otrādi, kad lietotājs to skenē!

Mašīnmācība mākonī: orientiera atpazīšanas API

Varat izmantot ML Kit orientieru atpazīšanas API, lai attēlā identificētu labi zināmus dabiskos un konstruētos orientierus.

Ja jūs nododat šai API attēlu, kas satur slavenu orientieri, tas atgriezīs šī orientiera nosaukumu, orientiera platuma un garuma vērtības un norobežojošo lodziņu, kas norāda, kur orientieris tika atklāts attēlā.

Varat izmantot orientiera atpazīšanas API, lai izveidotu lietojumprogrammas, kas automātiski marķē lietotāja fotoattēlus, vai arī lai nodrošinātu pielāgotāku pieredzi, piemēram, ja jūsu lietotne atzīst, ka lietotājs fotografē Eifeļa torni, tad tas varētu piedāvāt dažus interesantus faktus par šo orientieri vai iesakiet līdzīgus tuvējos tūrisma objektus, kurus lietotājs varētu vēlēties apmeklēt nākamo.

Neparasti ML komplektam, Orientieru noteikšanas API ir pieejama tikai kā mākonī balstīta API, tāpēc jūsu lietojumprogramma orientiera noteikšanu varēs veikt tikai tad, kad ierīcei ir aktīvs interneta savienojums.

Valodas identifikācijas API: izstrādāšana starptautiskai auditorijai

Mūsdienās Android lietotnes lieto visās pasaules daļās lietotāji, kuri runā daudzās dažādās valodās.

ML Kit valodas identifikācijas API var palīdzēt jūsu Android lietotnei vērsties pie starptautiskas auditorijas, ņemot teksta virkni un nosakot valodu, kurā tā rakstīta. Valodas identifikācijas API var identificēt vairāk nekā simts dažādu valodu, ieskaitot latīņu valodā rakstītu tekstu arābu, bulgāru, Ķīniešu, grieķu, hindi, japāņu un krievu valodā.

Šī API var būt vērtīgs papildinājums jebkurai lietojumprogrammai, kas apstrādā lietotāja sniegto tekstu, jo šajā tekstā reti ir ietverta informācija par valodu. Kā pirmo tulkošanas soli tulkošanas lietotnēs var izmantot arī valodas identifikācijas API jebkas, zina, kādā valodā jūs strādājat! Piemēram, ja lietotājs norāda ierīces ierīces kameru uz izvēlni, jūsu lietotne, iespējams, izmanto valodas identifikācijas API, lai noteiktu, ka izvēlne ir uzrakstīta franču valodā, un pēc tam piedāvā tulkot šo izvēlni, izmantojot pakalpojumu, piemēram, Cloud Translation API ( varbūt pēc teksta ieguves, izmantojot teksta atpazīšanas API?)

Atkarībā no attiecīgās virknes valodas identifikācijas API var atgriezt vairākas potenciālās valodas, pievienojot ticamības rādītājus, lai jūs varētu noteikt, kura noteiktā valoda, visticamāk, ir pareiza. Ņemiet vērā, ka rakstīšanas laikā ML Kit nevarēja identificēt vairākas dažādas valodas vienā virknē.

Lai nodrošinātu, ka šī API nodrošina valodas identificēšanu reālā laikā, valodas identifikācijas API ir pieejama tikai kā ierīces modelis.

Drīzumā: vieda atbilde

Google nākotnē plāno ML Kit pievienot vairāk API, taču mēs jau zinām par vienu jaunāko API.

Saskaņā ar ML Kit tīmekļa vietni, gaidāmā Viedās atbildes API ļaus jums piedāvāt kontekstuālās ziņojumapmaiņas atbildes savās lietojumprogrammās, iesakot pašreizējam kontekstam atbilstošus teksta fragmentus. Balstoties uz to, ko mēs jau zinām par šo API, šķiet, ka vietrā atbilde būs līdzīga ieteiktās atbildes funkcijai, kas jau ir pieejama Android lietotnē, Wear OS un Gmail.

Šajā ekrānuzņēmumā parādīts, kā ieteiktā atbildes funkcija pašlaik izskatās Gmail.

Ko tālāk? TensorFlow Lite izmantošana kopā ar ML Kit

ML komplekts nodrošina jau iebūvētus modeļus parastiem mobilo ierīču lietošanas gadījumiem, taču kādā brīdī jūs varētu vēlēties pāriet ārpus šiem gatavajiem modeļiem.

Izmantojot TensorFlow Lite, ir iespējams izveidot savus ML modeļus un pēc tam tos izplatīt, izmantojot ML Kit. Tomēr tikai ņemiet vērā, ka, atšķirībā no ML Kit gatavām API, darbam ar saviem ML modeļiem ir nepieciešama nozīmīgs ML ekspertīzes apjoms.

Kad esat izveidojis savus TensorFlow Lite modeļus, varat tos augšupielādēt Firebase, un Google pēc tam pārvaldīs šo modeļu mitināšanu un apkalpošanu gala lietotājiem. Šajā scenārijā ML Kit darbojas kā API slānis virs jūsu pielāgotā modeļa, kas vienkāršo dažus smago celšanu, kas saistīti ar pielāgoto modeļu izmantošanu. Īpaši svarīgi, ka ML Kit lietotājiem automātiski parādīs jaunāko modeļa versiju, tāpēc jums nevajadzēs atjaunināt lietotni katru reizi, kad vēlaties pielāgot modeli.

Lai nodrošinātu vislabāko iespējamo lietotāja pieredzi, varat norādīt nosacījumus, kas jāizpilda, pirms jūsu lietojumprogramma lejupielādēs jaunas TensorFlow Lite modeļa versijas, piemēram, modeļa atjaunināšanu tikai tad, ja ierīce atrodas dīkstāvē, uzlādējas vai ir savienota ar Wi- Fi. Jūs pat varat izmantot ML Kit un TensorFlow Lite līdztekus citiem Firebase pakalpojumiem, piemēram, izmantojot Firebase Remote Config un Firebase A / B testēšanu, lai apkalpotu dažādus modeļus dažādām lietotāju grupām.

Ja vēlaties pāriet ārpus jau iebūvētiem modeļiem vai arī ML Kit esošie modeļi neatbilst jūsu vajadzībām, tad oficiālajos Firebase dokumentos varat uzzināt vairāk par savu mašīnmācīšanās modeļu izveidi.

Iesaiņošana

Šajā rakstā mēs apskatījām katru Google mašīnmācīšanās komplekta sastāvdaļu un apskatījām dažus izplatītus scenārijus, kur jūs varētu vēlēties izmantot katru no ML Kit API.

Google nākotnē plāno pievienot vairāk API, tāpēc kuras mašīnmācīšanās API jūs vēlētos redzēt pievienotu ML komplektam nākamreiz? Paziņojiet mums komentāros zemāk!