Перенос данных на Android

В этом руководстве объясняется, как перейти с ML Kit для Firebase для Android.

Обновите импорт Gradle

Для каждого API ML Kit требуется только одна зависимость. Указывать распространенные библиотеки, такие как firebase-ml-vision или firebase-ml-natural-language, не нужно. ML Kit использует пространство имен com.google.android.gms для библиотек, которые зависят от сервисов Google Play.

Vision API

Встроенные модели поставляются как часть приложения. Необходимо скачать модели Thin. Некоторые API доступны как в виде пакета, так и в виде тонкого клиента, а другие – только в одном из этих вариантов.

Обновите зависимости для библиотек ML Kit для Android в файле Gradle на уровне модуля (обычно app/build.gradle.kts) в соответствии со следующими таблицами:

Пакетные модели

Тонкие модели

AutoMLVision Edge

Natural Language API

Встроенные модели поставляются как часть приложения. Необходимо скачать модели Thin:

Обновите зависимости для библиотек ML Kit для Android в файле Gradle на уровне модуля (обычно app/build.gradle.kts) в соответствии со следующими таблицами:

Пакетные модели

Тонкие модели

Как изменить названия курсов

Если ваш класс есть в этой таблице, внесите указанное изменение:

Для других классов действуют следующие правила:

• Удалите префикс FirebaseVision из названия класса.
• Удалите из названия класса другие префиксы, начинающиеся с Firebase.

Кроме того, в названиях пакетов замените префикс com.google.firebase.ml на com.google.mlkit.

Обновление названий методов

Изменения в коде минимальны:

• Изменено создание экземпляров детекторов, сканеров, переводчиков и инструментов для добавления ярлыков. У каждой функции теперь есть своя точка входа. Например, BarcodeScanning, TextRecognition, ImageLabeling, Translation и т. д. Вызовы сервиса Firebase getInstance() заменяются вызовами метода getClient() точки входа функции.
• Создание экземпляра по умолчанию для TextRecognizer было удалено, поскольку мы добавили дополнительные библиотеки для распознавания других систем письма, например китайской и корейской. Чтобы использовать стандартные настройки с моделью распознавания текста на латинице, объявите зависимость от com.google.android.gms:play-services-mlkit-text-recognition и используйте TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS).
• Создание экземпляров по умолчанию для ImageLabeler и ObjectDetector было удалено, поскольку мы добавили поддержку пользовательских моделей для этих двух функций. Например, чтобы использовать настройки по умолчанию с базовой моделью в ImageLabeling, объявите зависимость от com.google.mlkit:image-labeling и используйте ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS) в Java.
• Все дескрипторы (детектора, сканера, разметчика, переводчика и т. д.) можно закрыть. Убедитесь, что метод close() вызывается, когда эти объекты больше не используются. Если вы используете их в Fragment или AppCompatActivity, вызовите LifecycleOwner.getLifecycle() для Fragment или AppCompatActivity, а затем вызовите Lifecycle.addObserver.
• Для единообразия processImage() и detectInImage() в Vision API переименованы в process().
• В Natural Language API теперь используется термин "языковой тег" (в соответствии со стандартом BCP 47) вместо "языковой код".
• Удалены методы получения в классах xxxOptions.
• Метод getBitmap() в классе InputImage (заменяющий FirebaseVisionImage) больше не поддерживается в общедоступном интерфейсе. Чтобы узнать, как преобразовать битовую карту из разных входных данных, ознакомьтесь с BitmapUtils.java в кратком руководстве по ML Kit.
• Класс FirebaseVisionImageMetadata удален. Теперь вы можете передавать метаданные изображения, такие как width, height, rotationDegrees и format, в методы создания InputImage.

Вот несколько примеров старых и новых методов Kotlin:

// 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())
  

Вот несколько примеров старых и новых методов Java:

// 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());
  

Изменения, связанные с API

Сканирование штрихкодов

Для Barcode Scanning API теперь есть два способа доставки моделей:

• Через сервисы Google Play, также известные как "тонкие" (рекомендуется). Это уменьшает размер приложения, а модель используется совместно с другими приложениями. Однако разработчикам необходимо убедиться, что модель загружена перед ее первым использованием.
• Вместе с APK-файлом приложения. Это увеличивает размер приложения, но позволяет сразу использовать модель.

Эти две реализации немного отличаются, причем "пакетная" версия имеет ряд улучшений по сравнению с "тонкой" версией. Подробную информацию об этих различиях можно найти в руководстве по Barcode Scanning API.

Распознавание лиц

Для API распознавания лиц модели могут быть предоставлены двумя способами:

• Через сервисы Google Play, также известные как "тонкие" (рекомендуется). Это уменьшает размер приложения, а модель используется совместно с другими приложениями. Однако разработчикам необходимо убедиться, что модель загружена перед ее первым использованием.
• Вместе с APK-файлом приложения. В этом случае размер скачиваемого файла увеличится, но модель будет готова к использованию сразу после установки.

Оба варианта работают одинаково.

Translation

• В TranslateLanguage теперь используются понятные названия констант (например, ENGLISH) вместо языковых тегов (EN). Кроме того, теперь они имеют тип @StringDef, а не @IntDef, а значение константы – это соответствующий языковой тег BCP 47.

AutoML Image Labeling (поддержка прекращена)

Скачивание пользовательских моделей для маркировки изображений с помощью AutoML больше не поддерживается и будет отключено 15 июня 2027 г. Вместо этого размещайте модели в Cloud Storage и добавляйте в приложение логику для их скачивания. Подробную информацию вы найдете в руководстве по переносу данных из Firebase ML в Cloud Storage.

Обнаружение и отслеживание объектов

Если в вашем приложении используется обнаружение объектов с грубой классификацией, обратите внимание, что в новом SDK изменен способ возврата категории классификации для обнаруженных объектов.

Категория классификации возвращается как экземпляр DetectedObject.Label, а не как целое число. Все возможные категории для грубого классификатора включены в класс PredefinedCategory.

Вот пример старого и нового кода Kotlin:

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) {
    ...
}

Ниже приведен пример старого и нового кода Java.

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) {
    ...
}

Категория "Неизвестно" удалена. Если уверенность в классификации объекта низкая, мы просто не возвращаем метку.

Удалите зависимости Firebase

После переноса удалите зависимости Firebase. Для этого выполните следующие действия:

• Удалите файл конфигурации Firebase, удалив файл конфигурации google-services.json в каталоге модуля (на уровне приложения) вашего приложения.
• Замените плагин Google Services Gradle в файле Gradle на уровне модуля (обычно app/build.gradle.kts) на плагин 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 {
  // …
}

• Замените путь к классам плагина Google Services Gradle в файле Gradle проекта (корневой уровень) (build.gradle.kts) на путь к плагину 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")
  }
}

Удалите приложение Firebase в консоли Firebase, следуя инструкциям на сайте поддержки Firebase.

Если вам нужна помощь

Если у вас возникнут проблемы, посетите страницу сообщества, где перечислены доступные каналы связи с нами.