遷移 Android 應用程式

更新 Gradle 匯入作業

新 SDK 的每個 ML Kit API 只需要一個依附元件。您不必指定 firebase-ml-vision 或 firebase-ml-natural-language 等常用程式庫。 ML Kit 會為仰賴 Google Play 服務的程式庫使用 com.google.android.gms 命名空間。

Vision API

組合模型會隨您的應用程式一起提供。必須下載精簡的模型。 部分 API 會同時提供成套組合和精簡格式，有些 API 則僅以單一形式提供 或另外：

更新模組中 ML Kit Android 程式庫的依附元件 (應用程式 等級) Gradle 檔案 (通常為 app/build.gradle)，相關資料表如下表所示：

組合模型

精簡模型

AutoMLVision Edge

Natural Language API

組合模型會隨您的應用程式一起提供。需要下載的小型模型：

更新模組中 ML Kit Android 程式庫的依附元件 (應用程式 等級) Gradle 檔案 (通常為 app/build.gradle)，相關資料表如下表所示：

組合模型

精簡模型

更新類別名稱

如果課程在此表格中，請進行對應的變更：

如果是其他課程，請遵循下列規則：

• 移除類別名稱中的 FirebaseVision 前置字串。
• 從類別名稱中移除開頭是 Firebase 前置字元的其他前置字串。

此外，在套件名稱中，將取代 com.google.firebase.ml 前置字元 com.google.mlkit。

更新方法名稱

幾乎不需要變更程式碼：

• 偵測器/掃描器/標籤器/翻譯器...建立例項已變更。每項功能現在都有專屬的進入點。例如：BarcodeScanning、TextRecognition、ImageLabeling、Translation。對 Firebase 服務 getInstance() 的呼叫會替換為功能進入點的 getClient() 方法。
• 我們移除了用於識別中文和韓文等其他程式庫的其他程式庫，因此已移除 TextRecognizer 的預設例項化機制。如要搭配拉丁文指令碼文字辨識模型使用預設選項，請在 com.google.android.gms:play-services-mlkit-text-recognition 上宣告依附元件，並使用 TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS)。
• 由於我們針對這兩項功能導入自訂模型支援，因此已移除 ImageLabeler 和 ObjectDetector 的預設例項化機制。舉例來說，如要在 ImageLabeling 中使用基本模型搭配預設選項，請宣告 com.google.mlkit:image-labeling 的依附元件，並在 Java 中使用 ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)。
• 所有控點 (偵測器/掃描器/標籤器/翻譯器...) 都可關閉。確保不再使用這些物件時，必須呼叫 close() 方法。如果您在 Fragment 或 AppCompatActivity 中使用這些字串，最簡單的方法就是在 Fragment 或 AppCompatActivity 上呼叫 LifecycleOwner.getLifecycle()，然後呼叫 Lifecycle.addObserver。
• 為保持一致，Vision API 中的 processImage() 和 detectInImage() 已重新命名為 process() 。
• Natural Language API 現在使用「語言標記」(依 BCP 47 標準定義)，而非「語言代碼」。
• 已移除 xxxOptions 類別中的 getter 方法。
• 公開介面不再支援 InputImage 類別 (取代 FirebaseVisionImage) 中的 getBitmap() 方法。請參閱 ML Kit 快速入門導覽課程範例中的 BitmapUtils.java，從各種輸入內容轉換點陣圖。
• FirebaseVisionImageMetadata 已移除，您可以直接將圖片中繼資料 (例如寬度、高度、旋轉角度、格式) 傳遞至 InputImages 的建構方法。

以下列舉幾個舊版和新的 Kotlin 方法：

// Construct image labeler with base model and default options.
val imageLabeler = FirebaseVision.getInstance().onDeviceImageLabeler

// Construct object detector with base model and default options.
val objectDetector = FirebaseVision.getInstance().onDeviceObjectDetector

// Construct face detector with given options
val faceDetector = FirebaseVision.getInstance().getVisionFaceDetector(options)

// Construct image labeler with local AutoML model
val localModel =
    FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build()
val autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build()
    )

// Construct image labeler with base model and default options.
val imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)
// Optional: add life cycle observer
lifecycle.addObserver(imageLabeler)

// Construct object detector with base model and default options.
val objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS)

// Construct face detector with given options
val faceDetector = FaceDetection.getClient(options)

// Construct image labeler with local AutoML model
val localModel =
  LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build()
val autoMLImageLabeler =
  ImageLabeling.getClient(
    CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build())
  

以下列舉幾個新舊 Java 方法的範例：

// Construct image labeler with base model and default options.
FirebaseVisionImageLabeler imagelLabeler =
     FirebaseVision.getInstance().getOnDeviceImageLabeler();

// Construct object detector with base model and default options.
FirebaseVisionObjectDetector objectDetector =
     FirebaseVision.getInstance().getOnDeviceObjectDetector();

// Construct face detector with given options
FirebaseVisionFaceDetector faceDetector =
     FirebaseVision.getInstance().getVisionFaceDetector(options);

// Construct image labeler with local AutoML model
FirebaseAutoMLLocalModel localModel =
    new FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build();
FirebaseVisionImageLabeler autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build());

// Construct image labeler with base model and default options.
ImageLabeler imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS);
// Optional: add life cycle observer
getLifecycle().addObserver(imageLabeler);

// Construct object detector with base model and default options.
ObjectDetector objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS);

// Construct face detector with given options
FaceDetector faceDetector = FaceDetection.getClient(options);

// Construct image labeler with local AutoML model
LocalModel localModel =
  new LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build();
ImageLabeler autoMLImageLabeler =
  ImageLabeling.getClient(
    new CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build());
  

API 專屬變更

條碼掃描

針對 Barcode Scanning API，系統現在有兩種方法可以提供模型：

• 透過 Google Play 服務又稱為「精簡」(建議做法)：這種做法可縮減應用程式大小，並減少應用程式共用模型。不過，開發人員首次使用模型前，必須先確認已下載模型。
• 應用程式的 APK (又稱「套裝組合」)：這會增加應用程式大小，但表示模型可立即使用。

這兩種導入方式略有不同，「組合」版有一些改善項目，與「精簡」版本相較。如要進一步瞭解這些差異，請參閱條碼掃描 API 指南。

臉部偵測

Face Detection API 有兩種提供模型的方式：

• 透過 Google Play 服務又稱為「精簡」(建議做法)：這種做法可縮減應用程式大小，並減少應用程式共用模型。不過，開發人員首次使用模型前，必須先確認已下載模型。
• 應用程式的 APK (又稱「套裝組合」)：這會增加應用程式的下載大小，但表示模型可立即使用。

這些實作方式的行為都相同。

翻譯

• TranslateLanguage 現在使用可讀的名稱做為常數 (例如 ENGLISH)，而非語言標記 (EN)。這些字串現在也是 @StringDef，而不是 @IntDef，而常數值則是相符的 BCP 47 語言標記。

• 如果應用程式使用「裝置閒置」下載條件選項，請注意這個選項已移除，無法再使用。你仍然可以使用「裝置充電」選項。如果您需要更複雜的行為，可以延遲在自己的邏輯後方呼叫 RemoteModelManager.download。

AutoML 圖片標籤

如果應用程式使用「裝置閒置」下載條件選項，請注意這個 選項已移除，無法再使用。你仍然可以使用 「裝置充電」選項。

如要採取更複雜的行為，可以延遲呼叫 RemoteModelManager.download。

物件偵測與追蹤

如果應用程式使用物件偵測進行粗略分類，請注意 新的 SDK 已變更偵測到偵測結果分類類別的方式 如需儲存大量結構化物件 建議使用 Cloud Bigtable

分類類別會傳回 DetectedObject.Label，而不是整數。所有可能符合 PredefinedCategory 類別包含粗略分類。

以下是舊版與新 Kotlin 程式碼的範例：

if (object.classificationCategory == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

if (!object.labels.isEmpty() && object.labels[0].text == PredefinedCategory.FOOD) {
    ...
}
// or
if (!object.labels.isEmpty() && object.labels[0].index == PredefinedCategory.FOOD_INDEX) {
    ...
}

以下是舊、新 Java 程式碼的範例：

if (object.getClassificationCategory() == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getText().equals(PredefinedCategory.FOOD)) {
    ...
}
// or
if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getIndex() == PredefinedCategory.FOOD_INDEX) {
    ...
}

系統已移除「不明」類別。如果物件的分類可信度偏低，我們不會傳回任何標籤。

移除 Firebase 依附元件 (選用)

只有在符合下列條件時，才適用這個步驟：

• Firebase ML Kit 是您唯一的 Firebase 元件。
• 你只能使用裝置端 API。
• 不要使用提供模型。

如果是這種情況，您可以在遷移後移除 Firebase 依附元件。 請按照下列步驟操作：

• 如要移除 Firebase 設定檔，請在應用程式的模組 (應用程式層級) 目錄中刪除 google-services.json 設定檔。
• 將模組 (應用程式層級) Gradle 檔案 (通常是 app/build.gradle) 中的 Google 服務 Gradle 外掛程式換成 Strict Version Matcher 外掛程式：

apply plugin: 'com.android.application'
apply plugin: 'com.google.gms.google-services'  // Google Services plugin

android {
  // …
}

apply plugin: 'com.android.application'
apply plugin: 'com.google.android.gms.strict-version-matcher-plugin'

android {
  // …
}

• 將專案 (根層級) Gradle 檔案 (build.gradle) 中的 Google 服務 Gradle 外掛程式類別路徑，換成 Strict Version Matcher 外掛程式中的 Google 服務 Gradle 外掛程式類別路徑：

buildscript {
  dependencies {
    // ...

    classpath 'com.google.gms:google-services:4.3.3'  // Google Services plugin
  }
}

buildscript {
  dependencies {
    // ...

    classpath 'com.google.android.gms:strict-version-matcher-plugin:1.2.1'
  }
}

前往 Firebase 控制台刪除 Firebase 應用程式，步驟如下： 參閱 Firebase 支援網站上的操作說明。

取得協助

如果遇到任何問題，請瀏覽我們的社群頁面，其中列出相關說明 與我們聯絡