راهنمای مهاجرت

این سند نحوه انتقال برنامه شما از ML Kit for Firebase به APIهای یادگیری ماشینی پیشنهادی ما برای دستگاه و فضای ابری را توضیح می‌دهد. مجموعه فعلی APIها اکنون به دو محصول زیر تقسیم شده‌اند:

  • محصولی به نام ML Kit که شامل تمام API های روی دستگاه است.

  • یادگیری ماشینی فایربیس ، که بر روی APIهای مبتنی بر ابر و استقرار مدل سفارشی تمرکز دارد. فایربیس ام‌ال رد می‌شود.

این چارچوب همچنین ادغام ML Kit را در برنامه شما آسان‌تر می‌کند، اگر فقط به یک راه‌حل روی دستگاه نیاز دارید.

از کجا می‌توان به APIهای مدل روی دستگاه و سفارشی دسترسی پیدا کرد؟

این بخش نحوه دسترسی به APIهای مدل روی دستگاه و سفارشی که بخشی از ML Kit برای Firebase بودند را شرح می‌دهد.

APIهای پایه روی دستگاه

API های زیر در SDK مستقل ML Kit قرار دارند.

  • اسکن بارکد
  • تشخیص چهره
  • برچسب‌گذاری تصویر
  • تشخیص و ردیابی اشیاء
  • تشخیص متن
  • شناسه زبان
  • پاسخ هوشمند
  • ترجمه
  • API استنتاج AutoML Vision Edge

رابط‌های برنامه‌نویسی کاربردی (API) موجود روی دستگاه در کیت یادگیری ماشین برای فایربیس SDK منسوخ شده‌اند و در ۱۵ ژوئن ۲۰۲۷ از کار خواهند افتاد.

اگر امروز از این APIها در برنامه خود استفاده می‌کنید، با دنبال کردن راهنمای مهاجرت ML Kit برای اندروید و راهنمای مهاجرت ML Kit برای iOS ، به ML Kit SDK مهاجرت کنید.

APIهای مدل سفارشی

برای میزبانی مدل‌های سفارشی، از فضای ذخیره‌سازی ابری (Cloud Storage ) استفاده کنید. برای دانلود مدل‌ها، برنامه شما باید کدی را برای دانلود مدل‌ها از فضای ذخیره‌سازی ابری شما داشته باشد.

مفسر مدل سفارشی موجود در کیت ML برای Firebase SDK منسوخ شده و رد خواهد شد. توصیه می‌کنیم مستقیماً از زمان اجرای LiteRT برای استنتاج استفاده کنید. از طرف دیگر، اگر فقط می‌خواهید از مدل‌های سفارشی برای برچسب‌گذاری تصویر و APIهای تشخیص و ردیابی اشیاء استفاده کنید، اکنون می‌توانید مستقیماً از مدل‌های سفارشی در این APIها در کیت ML استفاده کنید.

اگر در حال مهاجرت از Firebase ML به Cloud Storage هستید، برای دستورالعمل‌های دقیق به راهنمای مهاجرت مراجعه کنید.

سوالات متداول

چرا این تغییر؟

ما این تغییر را اعمال می‌کنیم تا مشخص کنیم که این محصول چه راه‌حل‌هایی ارائه می‌دهد. با این تغییر، کیت توسعه نرم‌افزار ML کاملاً بر یادگیری ماشینی روی دستگاه متمرکز شده است که در آن تمام پردازش داده‌ها روی دستگاه انجام می‌شود و بدون هیچ هزینه‌ای در دسترس توسعه‌دهندگان قرار می‌گیرد. سرویس‌های ابری که قبلاً منسوخ شده بودند و بخشی از کیت ML فایربیس بودند، مستقیماً از طریق گوگل کلود در دسترس هستند. سرویس‌های ابری که از طریق فایربیس ML در دسترس هستند، در ژوئن ۲۰۲۷ کنار گذاشته خواهند شد.

برای APIهای روی دستگاه، کیت توسعه نرم‌افزار ML، ادغام ML Kit را در برنامه برای توسعه‌دهندگان آسان‌تر می‌کند. از این به بعد، فقط باید وابستگی‌ها را به پروژه برنامه اضافه کنید و سپس شروع به استفاده از API کنید. نیازی به راه‌اندازی یک پروژه Firebase فقط برای استفاده از APIهای روی دستگاه نیست.

چه اتفاقی برای مدل‌های من که با Firebase میزبانی می‌شوند، می‌افتد؟

مدل‌های میزبانی‌شده توسط Firebase ML شما تا زمان خاموش شدن سرویس در ۱۵ ژوئن ۲۰۲۷ در دسترس خواهند بود.

برای انتقال مدل‌های میزبانی‌شده‌ی Firebase ML خود به Cloud Storage و به‌روزرسانی برنامه، راهنمای مهاجرت را دنبال کنید.

با مهاجرت به SDK جدید ML Kit چه مزایایی کسب می‌کنم؟

مهاجرت به SDK جدید تضمین می‌کند که برنامه‌های شما از آخرین رفع اشکالات و بهبودهای APIهای روی دستگاه بهره‌مند شوند. برای مثال، در اینجا چند تغییر در نسخه اول آورده شده است:

  • اکنون می‌توانید از برچسب‌گذاری سفارشی تصویر و APIهای تشخیص و ردیابی شیء سفارشی برای ادغام مدل‌های طبقه‌بندی تصویر سفارشی در برنامه‌های خود و ایجاد تجربیات کاربری تعاملی در لحظه استفاده کنید.

  • پشتیبانی از چرخه حیات Jetpack اندروید به تمام APIها اضافه شده است. اکنون می‌توانید از addObserver برای مدیریت خودکار شروع و حذف APIهای ML Kit هنگام چرخش یا بسته شدن صفحه توسط کاربر/سیستم استفاده کنید. این امر ادغام با CameraX را آسان‌تر می‌کند.

لیست کاملی از آخرین تغییرات را می‌توانید در یادداشت‌های انتشار ML Kit SDK بیابید.

من امروز از کیت ML برای Firebase استفاده می‌کنم، چه زمانی باید به آن مهاجرت کنم؟

درخواست Firebase ML در ۱۵ ژوئن ۲۰۲۷ رد خواهد شد.

  • شما باید ML Kit مربوط به Firebase SDK را به ML Kit SDK منتقل کنید.

  • اگر از طریق کیت ML برای Firebase SDK از APIهای ابری استفاده می‌کنید، باید مستقیماً به استفاده از APIهای Cloud Vision تغییر دهید.

  • اگر از Firebase ML Custom Model Deployment استفاده می‌کنید، باید مدل‌های سفارشی خود را به Cloud Storage منتقل کنید.