Bermigrasi untuk Android

Panduan ini menjelaskan cara melakukan migrasi dari ML Kit for Firebase untuk Android.

Memperbarui impor Gradle

ML Kit SDK hanya memerlukan satu dependensi untuk setiap ML Kit API. Anda tidak perlu menentukan library umum seperti firebase-ml-vision atau firebase-ml-natural-language. ML Kit menggunakan namespace com.google.android.gms untuk library yang bergantung pada layanan Google Play.

Vision API

Model paket dikirimkan sebagai bagian dari aplikasi Anda. Model tipis harus didownload. Beberapa API tersedia dalam bentuk paket dan tipis, sedangkan yang lain hanya dalam satu bentuk:

Perbarui dependensi untuk library Android ML Kit di file Gradle modul (level aplikasi), biasanya app/build.gradle.kts, sesuai dengan tabel berikut:

Model paket

Model tipis

AutoMLVision Edge

Natural Language API

Model paket dikirimkan sebagai bagian dari aplikasi Anda. Model tipis harus didownload:

Perbarui dependensi untuk library Android ML Kit di file Gradle modul (level aplikasi), biasanya app/build.gradle.kts, sesuai dengan tabel berikut:

Model paket

Model tipis

Memperbarui nama class

Jika class Anda muncul dalam tabel ini, lakukan perubahan yang ditunjukkan:

Untuk class lainnya, ikuti aturan berikut:

• Hapus awalan FirebaseVision dari nama class.
• Hapus awalan lain yang dimulai dengan awalan Firebase dari nama class.

Selain itu, dalam nama paket, ganti awalan com.google.firebase.ml dengan com.google.mlkit.

Memperbarui nama metode

Ada perubahan kode minimal:

• Instansiasi detektor/pemindai/pelabel/penerjemah... telah diubah. Setiap fitur kini memiliki titik entri tersendiri. Misalnya: BarcodeScanning, TextRecognition, ImageLabeling, Translation... Panggilan ke layanan Firebase getInstance() diganti dengan panggilan ke metode getClient() titik entri fitur.
• Instansiasi default untuk TextRecognizer telah dihapus, karena kami memperkenalkan library tambahan untuk mengenali skrip lain seperti bahasa Mandarin dan Korea. Untuk menggunakan opsi default dengan model pengenalan teks skrip Latin, deklarasikan dependensi pada com.google.android.gms:play-services-mlkit-text-recognition dan gunakan TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS).
• Instansiasi default untuk ImageLabeler dan ObjectDetector telah dihapus, karena kami memperkenalkan dukungan model kustom untuk kedua fitur ini. Misalnya, untuk menggunakan opsi default dengan model dasar di ImageLabeling, deklarasikan dependensi pada com.google.mlkit:image-labeling dan gunakan ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS) di Java.
• Semua handle (detektor/pemindai/pelabel/penerjemah...) dapat ditutup. Pastikan metode close() dipanggil saat objek tersebut tidak akan lagi digunakan. Jika Anda menggunakannya di Fragment atau AppCompatActivity, salah satu cara untuk melakukannya adalah memanggil LifecycleOwner.getLifecycle() di Fragment atau AppCompatActivity, lalu memanggil Lifecycle.addObserver.
• processImage() dan detectInImage() di Vision API telah diganti namanya menjadi process() agar konsisten.
• Natural Language API kini menggunakan istilah "tag bahasa" (seperti yang ditentukan oleh standar BCP 47), bukan "kode bahasa".
• Metode getter di class xxxOptions telah dihapus.
• Metode getBitmap() di class InputImage (menggantikan FirebaseVisionImage) tidak lagi didukung sebagai bagian dari antarmuka publik. Lihat BitmapUtils.java di sampel quickstart ML Kit untuk mendapatkan bitmap yang dikonversi dari berbagai input.
• FirebaseVisionImageMetadata telah dihapus. Anda dapat meneruskan metadata gambar seperti width, height, rotationDegrees, format ke metode konstruksi InputImage.

Berikut beberapa contoh metode Kotlin lama dan baru:

// 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 lifecycle 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())
  

Berikut beberapa contoh metode Java lama dan baru:

// 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 lifecycle 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());
  

Perubahan khusus API

Pemindaian Kode Batang

Untuk Barcode Scanning API, kini ada dua cara model dapat dikirimkan:

• Melalui Layanan Google Play a.k.a. "tipis" (direkomendasikan) - cara ini mengurangi ukuran aplikasi dan model dibagikan antar-aplikasi. Namun, developer harus memastikan bahwa model didownload sebelum menggunakannya untuk pertama kalinya.
• Dengan APK aplikasi Anda a.k.a. "paket" - cara ini meningkatkan ukuran aplikasi, tetapi model dapat langsung digunakan.

Kedua implementasi tersebut sedikit berbeda, dengan versi "paket" memiliki sejumlah peningkatan dibandingkan versi "tipis". Detail tentang perbedaan ini dapat ditemukan dalam panduan Barcode Scanning API.

Deteksi Wajah

Untuk Face Detection API, ada dua cara model dapat dikirimkan:

• Melalui Layanan Google Play a.k.a. "tipis" (direkomendasikan) - cara ini mengurangi ukuran aplikasi dan model dibagikan antar-aplikasi. Namun, developer harus memastikan bahwa model didownload sebelum menggunakannya untuk pertama kalinya.
• Dengan APK aplikasi Anda a.k.a. "paket" - cara ini meningkatkan ukuran download aplikasi , tetapi model dapat langsung digunakan.

Perilaku implementasinya sama.

Translation

• TranslateLanguage kini menggunakan nama yang mudah dibaca untuk konstanta (misalnya ENGLISH), bukan tag bahasa (EN). Konstanta ini juga kini @StringDef, bukan @IntDef, dan nilai konstanta adalah tag bahasa BCP 47 yang cocok.

Pelabelan Gambar AutoML (tidak digunakan lagi)

Mendownload model kustom untuk pelabelan gambar menggunakan AutoML tidak digunakan lagi dan akan dinonaktifkan pada 15 Juni 2027. Anda harus menggunakan Cloud Storage untuk menghosting model dan menambahkan logika download ke aplikasi Anda untuk mendownload model. Untuk mengetahui detailnya, lihat panduan migrasi Firebase ML ke Cloud Storage.

Deteksi dan Pelacakan Objek

Jika aplikasi Anda menggunakan deteksi objek dengan klasifikasi kasar, perhatikan bahwa SDK baru telah mengubah cara menampilkan kategori klasifikasi untuk objek yang terdeteksi.

Kategori klasifikasi ditampilkan sebagai instance DetectedObject.Label, bukan bilangan bulat. Semua kemungkinan kategori untuk pengklasifikasi kasar disertakan dalam class PredefinedCategory.

Berikut contoh kode Kotlin lama dan baru:

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) {
    ...
}

Berikut contoh kode Java lama dan baru:

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) {
    ...
}

Kategori "tidak diketahui" telah dihapus. Jika tingkat kepercayaan klasifikasi objek rendah, kami tidak akan menampilkan label apa pun.

Menghapus dependensi Firebase

Hapus dependensi Firebase setelah migrasi. Ikuti langkah-langkah berikut:

• Hapus file konfigurasi Firebase dengan menghapus file konfigurasi google-services.json di direktori modul (level aplikasi) aplikasi Anda.
• Ganti plugin Gradle Layanan Google di file Gradle modul (level aplikasi), biasanya app/build.gradle.kts, dengan plugin Strict Version Matcher:

plugins {
  id("com.android.application")
  id("com.google.gms.google-services")
}

android {
  // …
}

plugins {
  id("com.android.application")
  id("com.google.android.gms.strict-version-matcher-plugin")
}

android {
  // …
}

• Ganti classpath plugin Gradle Layanan Google di file Gradle project (level root) (build.gradle.kts) dengan classpath untuk plugin Strict Version Matcher:

buildscript {
  dependencies {
    // ...

    classpath("com.google.gms:google-services:4.3.3")
  }
}

buildscript {
  dependencies {
    // ...
    classpath("com.google.android.gms:strict-version-matcher-plugin:1.2.1")
  }
}

Hapus aplikasi Firebase Anda di Firebase console sesuai dengan petunjuk di situs dukungan Firebase.

Mendapatkan Bantuan

Jika Anda mengalami masalah, lihat halaman Komunitas kami yang menjelaskan saluran yang tersedia untuk menghubungi kami.