การย้ายข้อมูลสำหรับ Android

อัปเดตการนำเข้า Gradle

SDK ใหม่กำหนดให้มีทรัพยากร Dependency เพียงรายการเดียวสำหรับ ML Kit API แต่ละรายการ โดยคุณไม่จำเป็นต้องระบุไลบรารีทั่วไป เช่น firebase-ml-vision หรือ firebase-ml-natural-language ML Kit ใช้เนมสเปซ com.google.android.gms สำหรับไลบรารีที่ขึ้นอยู่กับบริการ Google Play

Vision API

ระบบจะส่งโมเดลแบบรวมกลุ่มเป็นส่วนหนึ่งของแอปพลิเคชัน ส่วนโมเดลแบบบางจะต้องดาวน์โหลด API บางรายการมีให้บริการทั้งในรูปแบบรวมกลุ่มและแบบบาง ส่วน API อื่นๆ มีให้บริการในรูปแบบใดรูปแบบหนึ่งเท่านั้น ดังนี้

อัปเดตทรัพยากร Dependency สำหรับไลบรารี ML Kit สำหรับ Android ในไฟล์ Gradle ของโมดูล (ระดับแอป) (โดยมากจะเป็นไฟล์ app/build.gradle) ตามตารางต่อไปนี้

โมเดลแบบรวมกลุ่ม

โมเดลแบบบาง

AutoMLVision Edge

Natural Language API

ระบบจะส่งโมเดลแบบรวมกลุ่มเป็นส่วนหนึ่งของแอปพลิเคชัน ส่วนโมเดลแบบบางจะต้องดาวน์โหลด ดังนี้

อัปเดตทรัพยากร Dependency สำหรับไลบรารี ML Kit สำหรับ Android ในไฟล์ Gradle ของโมดูล (ระดับแอป) (โดยมากจะเป็นไฟล์ app/build.gradle) ตามตารางต่อไปนี้

โมเดลแบบรวมกลุ่ม

โมเดลแบบบาง

อัปเดตชื่อชั้นเรียน

หากชั้นเรียนของคุณปรากฏในตารางนี้ ให้ทำการเปลี่ยนแปลงตามที่ระบุ

สำหรับคลาสอื่นๆ ให้ทำตามกฎต่อไปนี้

• นำคำนำหน้า FirebaseVision ออกจากชื่อคลาส
• นำคำนำหน้าอื่นๆ ที่ขึ้นต้นด้วยคำนำหน้า Firebase ออกจากชื่อคลาส

นอกจากนี้ ในชื่อแพ็กเกจ ให้แทนที่คำนำหน้า com.google.firebase.ml ด้วย com.google.mlkit

อัปเดตชื่อเมธอด

มีการเปลี่ยนแปลงโค้ดเพียงเล็กน้อย ดังนี้

• การสร้างอินสแตนซ์ของตัวตรวจจับ/สแกนเนอร์/ตัวติดป้ายกำกับ/ตัวแปลภาษา... มีการเปลี่ยนแปลง ตอนนี้แต่ละฟีเจอร์มีจุดเริ่มต้นของตัวเอง เช่น BarcodeScanning, TextRecognition, ImageLabeling, Translation... ระบบจะแทนที่การเรียกใช้ getInstance() ของบริการ Firebase ด้วยการเรียกใช้เมธอด getClient() ของจุดเริ่มต้นของฟีเจอร์
• ระบบได้นำการสร้างอินสแตนซ์เริ่มต้นสำหรับ TextRecognizer ออกแล้ว เนื่องจากเราได้เปิดตัวไลบรารีเพิ่มเติมสำหรับการจดจำสคริปต์อื่นๆ เช่น ภาษาจีนและภาษาเกาหลี หากต้องการใช้ตัวเลือกเริ่มต้นกับโมเดลการจดจำข้อความสคริปต์ละติน โปรดประกาศทรัพยากร Dependency ใน com.google.android.gms:play-services-mlkit-text-recognition และใช้ TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS)
• ระบบได้นำการสร้างอินสแตนซ์เริ่มต้นสำหรับ ImageLabeler และ ObjectDetector ออกแล้ว เนื่องจากเราได้เปิดตัวการรองรับโมเดลที่กำหนดเองสำหรับ 2 ฟีเจอร์นี้ เช่น หากต้องการใช้ตัวเลือกเริ่มต้นกับโมเดลพื้นฐานในการติดป้ายกำกับรูปภาพ โปรดประกาศทรัพยากร Dependency ใน com.google.mlkit:image-labeling และใช้ ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS) ใน Java
• แฮนเดิลทั้งหมด (ตัวตรวจจับ/สแกนเนอร์/ตัวติดป้ายกำกับ/ตัวแปลภาษา...) ปิดได้ ตรวจสอบว่าได้เรียกใช้เมธอด close() เมื่อจะไม่ใช้ออบเจ็กต์เหล่านั้นอีกต่อไป หากคุณใช้แฮนเดิลใน Fragment หรือ AppCompatActivity วิธีง่ายๆ ในการทำเช่นนั้นคือเรียกใช้ LifecycleOwner.getLifecycle() ใน Fragment หรือ AppCompatActivity แล้วเรียกใช้ Lifecycle.addObserver
• ระบบได้เปลี่ยนชื่อ processImage() และ detectInImage() ใน Vision API เป็น process() เพื่อให้สอดคล้องกัน
• ตอนนี้ Natural Language API ใช้คำว่า "แท็กภาษา" (ตามที่กำหนดโดยมาตรฐาน BCP 47) แทน "รหัสภาษา"
• ระบบได้นำเมธอด Getter ในคลาส xxxOptions ออกแล้ว
• ระบบไม่รองรับเมธอด getBitmap() ในคลาส InputImage(แทนที่ FirebaseVisionImage) อีกต่อไป ซึ่งเป็นส่วนหนึ่งของอินเทอร์เฟซสาธารณะ โปรดดู BitmapUtils.java ใน ตัวอย่างการเริ่มต้นใช้งานอย่างรวดเร็วของ ML Kit เพื่อรับบิตแมปที่แปลงจากอินพุตต่างๆ
• ระบบได้นำ FirebaseVisionImageMetadata ออกแล้ว คุณเพียงแค่ส่งข้อมูลเมตาของรูปภาพ เช่น ความกว้าง ความสูง องศาการหมุน รูปแบบ ไปยังเมธอดการสร้างของ InputImages

ตัวอย่างเมธอด Kotlin เก่าและใหม่มีดังนี้

// 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())
  

ตัวอย่างเมธอด Java เก่าและใหม่มีดังนี้

// 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());
  

การเปลี่ยนแปลงเฉพาะ API

การสแกนบาร์โค้ด

สำหรับ Barcode Scanning API ตอนนี้มี 2 วิธีในการส่งโมเดล ดังนี้

• ผ่านบริการ Google Play หรือ "แบบบาง" (แนะนำ) - วิธีนี้จะช่วยลดขนาดแอปและแชร์โมเดลระหว่างแอปพลิเคชัน อย่างไรก็ตาม นักพัฒนาแอปจะต้องตรวจสอบว่าได้ดาวน์โหลดโมเดลแล้วก่อนที่จะใช้เป็นครั้งแรก
• พร้อม APK ของแอป หรือ "แบบรวมกลุ่ม" - วิธีนี้จะเพิ่มขนาดแอป แต่หมายความว่าโมเดลจะพร้อมใช้งานทันที

การติดตั้งใช้งานทั้ง 2 แบบจะแตกต่างกันเล็กน้อย โดยเวอร์ชัน "แบบรวมกลุ่ม" มีการปรับปรุงหลายอย่างมากกว่าเวอร์ชัน "แบบบาง" ดูรายละเอียดเกี่ยวกับความแตกต่างเหล่านี้ได้ในหลักเกณฑ์ Barcode Scanning API

การตรวจจับใบหน้า

สำหรับ Face Detection API ตอนนี้มี 2 วิธีในการส่งโมเดล ดังนี้

• ผ่านบริการ Google Play หรือ "แบบบาง" (แนะนำ) - วิธีนี้จะช่วยลดขนาดแอปและแชร์โมเดลระหว่างแอปพลิเคชัน อย่างไรก็ตาม นักพัฒนาแอปจะต้องตรวจสอบว่าได้ดาวน์โหลดโมเดลแล้วก่อนที่จะใช้เป็นครั้งแรก
• พร้อม APK ของแอป หรือ "แบบรวมกลุ่ม" - วิธีนี้จะเพิ่มขนาดการดาวน์โหลดแอป แต่หมายความว่าโมเดลจะพร้อมใช้งานทันที

ลักษณะการทำงานของการติดตั้งใช้งานจะเหมือนกัน

การแปลภาษา

• TranslateLanguage ตอนนี้ใช้ชื่อที่อ่านง่ายสำหรับค่าคงที่ (เช่น ENGLISH) แทนแท็กภาษา (EN) นอกจากนี้ ตอนนี้ยังเป็น @StringDef แทน @IntDef และค่าของค่าคงที่คือแท็กภาษา BCP 47 ที่ตรงกัน

• หากแอปใช้ตัวเลือกเงื่อนไขการดาวน์โหลด "อุปกรณ์ไม่มีการใช้งาน" โปรดทราบว่าตัวเลือกนี้ถูกนำออกแล้วและใช้ไม่ได้อีกต่อไป แต่คุณยังคงใช้ตัวเลือก "อุปกรณ์กำลังชาร์จ" ได้ หากต้องการลักษณะการทำงานที่ซับซ้อนมากขึ้น คุณสามารถหน่วงเวลาการเรียกใช้ RemoteModelManager.download ตามตรรกะของคุณเองได้

การติดป้ายกำกับรูปภาพ AutoML

หากแอปใช้ตัวเลือกเงื่อนไขการดาวน์โหลด "อุปกรณ์ไม่ได้ใช้งาน" โปรดทราบว่าตัวเลือกนี้ถูกนำออกแล้วและใช้ไม่ได้อีกต่อไป แต่คุณยังคงใช้ตัวเลือก "อุปกรณ์กำลังชาร์จ" ได้

หากต้องการลักษณะการทำงานที่ซับซ้อนมากขึ้น คุณสามารถหน่วงเวลาการเรียกใช้ RemoteModelManager.download ตามตรรกะของคุณเองได้

การตรวจจับและติดตามออบเจ็กต์

หากแอปใช้การตรวจจับออบเจ็กต์ที่มีการแยกประเภทแบบหยาบ โปรดทราบว่า SDK ใหม่ได้เปลี่ยนวิธีที่ SDK ส่งคืนหมวดหมู่การแยกประเภทสำหรับออบเจ็กต์ที่ตรวจพบ

ระบบจะส่งคืนหมวดหมู่การแยกประเภทเป็นอินสแตนซ์ของ DetectedObject.Label แทนที่จะเป็นจำนวนเต็ม หมวดหมู่ที่เป็นไปได้ทั้งหมดสำหรับตัวแยกประเภทแบบหยาบจะรวมอยู่ในคลาส PredefinedCategory

ตัวอย่างโค้ด Kotlin เก่าและใหม่มีดังนี้

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) {
    ...
}

ตัวอย่างโค้ด Java เก่าและใหม่มีดังนี้

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) {
    ...
}

ระบบได้นำหมวดหมู่ "ไม่ทราบ" ออกแล้ว เมื่อความน่าจะเป็นของการแยกประเภทออบเจ็กต์ต่ำ เราจะไม่ส่งคืนป้ายกำกับใดๆ

นำทรัพยากร Dependency ของ Firebase ออก (ไม่บังคับ)

ขั้นตอนนี้จะมีผลก็ต่อเมื่อตรงตามเงื่อนไขต่อไปนี้

• Firebase ML Kit เป็นคอมโพเนนต์ Firebase เพียงรายการเดียวที่คุณใช้
• คุณใช้เฉพาะ API ในอุปกรณ์
• คุณไม่ได้ใช้การแสดงโมเดล

ในกรณีนี้ คุณสามารถนำทรัพยากร Dependency ของ Firebase ออกหลังจากการย้ายข้อมูล โดยทำตามขั้นตอนต่อไปนี้

• นำไฟล์กำหนดค่า Firebase ออกโดยลบไฟล์กำหนดค่า google-services.json ที่ไดเรกทอรีโมดูล (ระดับแอป) ของแอป
• แทนที่ปลั๊กอิน Google Services Gradle ในไฟล์ Gradle ของโมดูล (ระดับแอป) (โดยมากจะเป็นไฟล์ app/build.gradle) ด้วยปลั๊กอิน Strict Version Matcher ดังนี้

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 {
  // …
}

• แทนที่ classpath ของปลั๊กอิน Google Services Gradle ในไฟล์ Gradle ระดับโปรเจ็กต์ (build.gradle) ด้วย classpath ของปลั๊กอิน Strict Version Matcher ดังนี้

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'
  }
}

ลบแอป Firebase ในคอนโซล Firebase ตาม วิธีการในเว็บไซต์สนับสนุนของ Firebase

ขอความช่วยเหลือ

หากพบปัญหา โปรดดูหน้าชุมชนของเรา ซึ่งเราได้ระบุ ช่องทางต่างๆ ที่คุณสามารถติดต่อเราได้