تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
بشكل تلقائي، تستفيد واجهات برمجة التطبيقات في أدوات تعلّم الآلة من نماذج تعلُّم الآلة المدربة من Google.
تم تصميم هذه النماذج لتغطية مجموعة واسعة من التطبيقات. ومع ذلك، تتطلب بعض حالات الاستخدام نماذج أكثر استهدافًا. لهذا السبب، تتيح لك بعض واجهات برمجة تطبيقات حزمة تعلّم الآلة الآن استبدال النماذج التلقائية بنماذج TensorFlow Lite المخصّصة.
يقدّم كلّ من تصنيف الصور وواجهة برمجة التطبيقات
اكتشاف العناصر وتتبعها
دعمًا لنماذج تصنيف الصور المخصّصة. تتوافق هذه النماذج مع
اختيار نماذج عالية الجودة مدرّبة مسبقًا على TensorFlow Hub أو نموذجك المخصّص الذي تم تدريبه باستخدام TensorFlow أو AutoML Vision Edge أو TensorFlow Lite.
إذا كنت بحاجة إلى حل مخصَّص لنطاقات أو حالات استخدام أخرى، يُرجى زيارة
صفحة تعلُّم الآلة على الجهاز فقط للحصول على إرشادات حول
جميع حلول Google وأدواتها الخاصة بتعلُّم الآلة على الجهاز فقط.
مزايا استخدام حزمة تعلّم الآلة مع النماذج المخصّصة
في ما يلي مزايا استخدام نموذج تصنيف مخصّص للصور من خلال أدوات تعلُّم الآلة:
واجهات برمجة التطبيقات (API) عالية المستوى والسهلة الاستخدام: لا حاجة إلى التعامل مع النماذج المنخفضة المستوى
في الإدخال/الإخراج، أو التعامل مع عمليات ما قبل/بعد المعالجة للصور أو إنشاء مسار
للمعالجة.
لا داعي للقلق بشأن ربط التصنيفات بنفسك، لأنّ أداة تعلّم الآلة تستخرج
التصنيفات من البيانات الوصفية لنموذج TFLite وتنفّذ عملية الربط نيابةً عنك.
إتاحة النماذج المخصّصة من مجموعة كبيرة من المصادر، بدءًا من النماذج المدرّبة مسبقًا والمنشورة على TensorFlow Hub ووصولاً إلى النماذج الجديدة التي تم تدريبها باستخدام TensorFlow أو AutoML Vision Edge أو TensorFlow Lite Model.
يتوافق مع النماذج المستضافة في Firebase. يعمل على تقليل حجم APK من خلال تنزيل النماذج
عند الطلب. يمكنك نشر تحديثات النموذج بدون إعادة نشر تطبيقك وإجراء اختبارات A/B سهلة باستخدام ميزة "الإعداد عن بُعد في Firebase".
خدمة محسَّنة للتكامل مع واجهات برمجة تطبيقات الكاميرا في نظام التشغيل Android
تحسين دقة التصنيف من خلال تحديد موقع الكائنات أولاً وتشغيل المصنِّف فقط في منطقة الصورة ذات الصلة
توفير تجربة تفاعلية في الوقت الفعلي من خلال تقديم ملاحظات فورية للمستخدمين حول العناصر عند رصدها وتصنيفها
استخدام نموذج تصنيف صور مدرّب مسبقًا
يمكنك استخدام نماذج TensorFlow Lite المدرّبة مسبقًا، بشرط أن تستوفي
مجموعة من المعايير. نقدم من خلال TensorFlow Hub
مجموعة من النماذج التي تم فحصها - من Google أو غيرها من صنّاع النماذج - التي تلبي هذه المعايير.
استخدام نموذج منشور على TensorFlow Hub
يوفّر TensorFlow Hub مجموعة كبيرة من نماذج تصنيف الصور المدرّبة مسبقًا
والتي يمكن استخدامها مع واجهات برمجة التطبيقات
لتصنيف الصور ورصد الكائنات وتتبّعها. اتَّبِع الخطوات التالية:
إذا لم يتناسب أي نموذج لتصنيف الصور المدرَّب مسبقًا مع احتياجاتك، هناك
طرق مختلفة لتدريب نموذج TensorFlow Lite، وسنحدّد بعض هذه الطرق
وناقشها بمزيد من التفصيل أدناه.
خيارات تدريب نموذج تصنيف الصور الخاص بك
AutoML Vision Edge
مُقدَّم من خلال Google Cloud AI
إنشاء نماذج حديثة لتصنيف الصور
قارِن بسهولة بين الأداء والحجم.
مصمم نماذج TensorFlow Lite
إعادة تدريب أحد النماذج (نقل التعلّم)، تستغرق وقتًا أقل وتتطلب بيانات
أقل من تدريب النموذج من البداية.
تحويل نموذج TensorFlow إلى TensorFlow Lite
يمكنك تدريب نموذج باستخدام TensorFlow ثم تحويله إلى TensorFlow Lite.
للاطّلاع على مزيد من المعلومات حول كيفية استخدام نموذج تم تدريبه باستخدام AutoML Vision Edge في تطبيقات Android وiOS، اتّبِع أدلة النماذج المخصّصة لكل واجهة برمجة تطبيقات بناءً على حالة الاستخدام.
برنامج TensorFlow Lite للنماذج
إنّ مكتبة TFLite Model Maker تبسّط عملية تكييف نموذج الشبكة العصبونية TensorFlow وتحويله إلى بيانات إدخال معيّنة عند نشر هذا النموذج لتطبيقات تعلُّم الآلة على الجهاز. يمكنك متابعة Colab لتصنيف الصور باستخدام أداة TensorFlow Lite النموذجية.
النماذج التي تم إنشاؤها باستخدام محوّل TensorFlow Lite
إذا كان لديك نموذج حالي لتصنيف الصور TensorFlow، يمكنك تحويله باستخدام محوّل TensorFlow Lite.
يُرجى التأكّد من أنّ النموذج الذي تم إنشاؤه يستوفي متطلبات التوافق الواردة أدناه.
تاريخ التعديل الأخير: 2025-09-04 (حسب التوقيت العالمي المتفَّق عليه)
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],["تاريخ التعديل الأخير: 2025-09-04 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eML Kit allows you to use custom TensorFlow Lite models with the Image Labeling and Object Detection & Tracking APIs for more targeted machine learning solutions.\u003c/p\u003e\n"],["\u003cp\u003eThese custom models offer benefits like easy-to-use APIs, automatic label mapping, support for models from various sources (including TensorFlow Hub and AutoML Vision Edge), and Firebase hosting capabilities.\u003c/p\u003e\n"],["\u003cp\u003ePre-trained models from TensorFlow Hub or custom-trained models built using AutoML Vision Edge, TensorFlow Lite Model Maker, or the TensorFlow Lite Converter are compatible with ML Kit.\u003c/p\u003e\n"],["\u003cp\u003eCustom models must adhere to specific requirements regarding input/output tensors, metadata, and data formats to ensure compatibility with ML Kit.\u003c/p\u003e\n"]]],["ML Kit APIs support replacing default models with custom TensorFlow Lite models for image labeling and object detection. Benefits include easy-to-use APIs, automatic label mapping, and compatibility with various model sources like TensorFlow Hub, AutoML Vision Edge, and TensorFlow Lite Model Maker. You can use pre-trained models from TensorFlow Hub or train your own. Model requirements involve specific tensor formats and metadata, including normalization for FLOAT32 input and label maps for output classes.\n"],null,["By default, ML Kit's APIs make use of Google trained machine learning models.\nThese models are designed to cover a wide range of applications. However, some\nuse cases require models that are more targeted. That is why some ML Kit APIs\nnow allow you to replace the default models with custom TensorFlow Lite models.\n\nBoth the [Image Labeling](/ml-kit/vision/image-labeling) and the\n[Object Detection \\& Tracking](/ml-kit/vision/object-detection) API\noffer support for custom image classification models. They are compatible with a\nselection of high-quality pre-trained models on TensorFlow Hub or your own\ncustom model trained with TensorFlow, AutoML Vision Edge or TensorFlow Lite\nModel Maker.\n\nIf you need a custom solution for other domains or use-cases, visit the\n[On-device Machine Learning page](/learn/topics/on-device-ml) for guidance on\nall of Google's solutions and tools for on-device machine learning.\n\nBenefits of using ML Kit with custom models\n\nThe benefits for using a custom image classification model with ML Kit are:\n\n- **Easy-to-use high level APIs** - No need to deal with low-level model input/output, handle image pre-/post-processing or building a processing pipeline.\n- **No need to worry about label mapping yourself**, ML Kit extracts the labels from TFLite model metadata and does the mapping for you.\n- **Supports custom models from a wide range of sources**, from pre-trained models published on TensorFlow Hub to new models trained with TensorFlow, AutoML Vision Edge or TensorFlow Lite Model Maker.\n- **Supports models hosted with Firebase**. Reduces APK size by downloading models on demand. Push model updates without republishing your app and perform easy A/B testing with Firebase Remote Config.\n- Optimized for integration with **Android's Camera APIs**.\n\nAnd, specifically for [Object Detection and Tracking](/ml-kit/vision/object-detection):\n\n- **Improve classification accuracy** by locating the objects first and only run the classifier on the related image area.\n- **Provide a real-time interactive experience** by providing your users immediate feedback on objects as they are being detected and classified.\n\nUse a pre-trained image classification model\n\nYou can use pre-trained TensorFlow Lite models, provided they meet a\n[set of criteria](#model-compatibility). Through TensorFlow Hub we are offering\na set of vetted models - from Google or other model creators - that meet these\ncriteria.\n\nUse a model published on TensorFlow Hub\n\n[TensorFlow Hub](https://tfhub.dev) offers a wide range of pre-trained image\nclassification models - from various model creators - that can be used with the\nImage Labeling and Object Detection and Tracking APIs. Follow these steps.\n\n1. Pick a model from the [collection of ML Kit compatible models](https://tfhub.dev/ml-kit/collections/image-classification/1).\n2. Download the .tflite model file from the model details page. Where available, pick a model format with metadata.\n3. Follow our guides for the [Image Labeling API](/ml-kit/vision/image-labeling#custom-tflite) or [Object Detection and Tracking API](/ml-kit/vision/object-detection#custom-tflite) on how to bundle model file with your project and use it in your Android or iOS application.\n\nTrain your own image classification model\n\nIf no pre-trained image classification model fits your needs, there are various\nways to train your own TensorFlow Lite model, some of which are outlined and\ndiscussed in more detail below.\n\n| Options to train your own image classification model ||\n|---------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------|\n| **AutoML Vision Edge** | - Offered through Google Cloud AI - Create state-of the art image classification models - Easily evaluate between performance and size |\n| **TensorFlow Lite Model Maker** | - Re-train a model (transfer learning), takes less time and requires less data than training a model from scratch |\n| **Convert a TensorFlow model to TensorFlow Lite** | - Train a model with TensorFlow and then convert it to TensorFlow Lite |\n\nAutoML Vision Edge\n\nImage classification models trained using [AutoML Vision Edge](https://cloud.google.com/vision/automl/docs/edge-quickstart)\nare supported by the custom models in the\n[Image Labeling](/ml-kit/vision/image-labeling) and\n[Object Detection and Tracking API](/ml-kit/vision/object-detection)\nAPIs. These APIs also support download of models that are hosted with\n[Firebase model deployment](https://firebase.google.com/docs/ml/use-custom-models).\n\nTo learn more about how to use a model trained with AutoML Vision Edge in your\nAndroid and iOS apps, follow the custom model guides for each API, depending\non your use case.\n| **Note:** ML Kit only supports custom image classification models. Although AutoML Vision allows training of object detection models, these cannot be used with ML Kit.\n\nTensorFlow Lite Model Maker\n\nThe TFLite Model Maker library simplifies the process of adapting and converting\na TensorFlow neural-network model to particular input data when deploying this\nmodel for on-device ML applications. You can follow the [Colab for Image classification with TensorFlow Lite Model Maker](https://ai.google.dev/edge/litert/libraries/modify/image_classification).\n\nTo learn more about how to use a model trained with Model Maker in your Android\nand iOS apps, follow our guides for the [Image Labeling API](/ml-kit/vision/image-labeling)\nor the [Object Detection and Tracking API](/ml-kit/vision/object-detection),\ndepending on your use case.\n\nModels created using TensorFlow Lite converter\n\nIf you have an existing TensorFlow image classification model, you can convert\nit using the [TensorFlow Lite converter](https://www.tensorflow.org/lite/convert).\nPlease ensure the model created meets the compatibility requirements below.\n\nTo learn more about how to use a TensorFlow Lite model in your Android and iOS\napps, follow our guides for the [Image Labeling API](/ml-kit/vision/image-labeling)\nor the [Object Detection and Tracking API](/ml-kit/vision/object-detection),\ndepending on your use case.\n\nTensorFlow Lite model compatibility\n\nYou can use any pre-trained TensorFlow Lite image classification\nmodel, provided it meets these requirements:\n\nTensors\n\n- The model must have only one input tensor with the following constraints:\n - The data is in RGB pixel format.\n - The data is UINT8 or FLOAT32 type. If the input tensor type is FLOAT32, it must specify the NormalizationOptions by attaching [Metadata](#metadata).\n - The tensor has 4 dimensions : BxHxWxC, where:\n - B is the batch size. It must be 1 (inference on larger batches is not supported).\n - W and H are the input width and height.\n - C is the number of expected channels. It must be 3.\n- The model must have at least one output tensor with N classes and either 2 or 4 dimensions:\n - (1xN)\n - (1x1x1xN)\n- Currently only single-head models are fully supported. Multi-head models may output unexpected results.\n\nMetadata\n\nYou can add metadata to the TensorFlow Lite file as explained in\n[Adding metadata to TensorFlow Lite model](https://www.tensorflow.org/lite/convert/metadata).\n\nTo use a model with FLOAT32 input tensor, you must specify the\n[NormalizationOptions](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L295-L318)\nin the metadata.\n\nWe also recommend that you attach this metadata to the output tensor [TensorMetadata](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L396-L397):\n\n- A label map specifying the name of each output class, as an [AssociatedFile](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L434-L438) with type [TENSOR_AXIS_LABELS](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L42-L54) (otherwise only the numerical output class indices can be returned)\n- A default score threshold below which results are considered too low-confidence to be returned, as a [ProcessUnit](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L422-L429) with [ScoreThresholdingOptions](https://github.com/tensorflow/tensorflow/blob/d64c20eb62c5cfb9ff5936204afb8fb7c83cfc84/tensorflow/lite/experimental/support/metadata/metadata_schema.fbs#L360-L366)"]]
