Sie können ein mit AutoML trainiertes Bildklassifizierungsmodell an die APIs für benutzerdefinierte Modelle übergeben. Sie können das Modell weiterhin entweder in Ihre App einbinden oder in der Firebase Console als benutzerdefiniertes Modell hosten. Die AutoML Image Labeling API wurde aus ML Kit entfernt, da sie vollständig durch die Custom Model Image Labeling API ersetzt wurde.
| API | Was ändert sich? |
|---|---|
| AutoML Vision Edge Image Labeling API | Sie wurde vollständig durch die Custom Model Image Labeling API ersetzt. Die vorhandene AutoML Vision Edge Image Labeling API wurde entfernt. |
Wenn Sie die AutoML Vision Edge API verwenden, folgen Sie der Migrationsanleitung für Android und iOS.
Häufig gestellte Fragen
Warum diese Änderung?
Sie trägt dazu bei, die ML Kit APIs zu vereinfachen und die Integration von ML Kit in Ihre App zu erleichtern. Mit dieser Änderung können Sie ein mit AutoML trainiertes Modell genauso verwenden wie ein benutzerdefiniertes Modell. Außerdem können Sie mit AutoML trainierte Modelle für die Objekterkennung und das Objekt-Tracking verwenden, zusätzlich zum Image Labeling, das wir unterstützen. Darüber hinaus unterstützt die API für benutzerdefinierte Modelle sowohl Modelle mit einer in die Metadaten eingebetteten Labelzuordnung als auch Modelle mit separaten Manifest- und Labeldateien.
Welche Vorteile bietet die Migration zum neuen SDK?
- Neue Funktionen: Sie können mit AutoML trainierte Modelle sowohl für das Image Labeling als auch für die Objekterkennung und das Objekt-Tracking verwenden. Außerdem können Sie Modelle mit einer in die Metadaten eingebetteten Labelzuordnung verwenden.
Migrationsanleitung für Android
Schritt 1: Gradle-Importe aktualisieren
Aktualisieren Sie die Abhängigkeiten für die ML Kit Android-Bibliotheken in der Gradle-Datei Ihres Moduls (auf App-Ebene, in der Regel app/build.gradle.kts) gemäß der folgenden Tabelle:
| Funktion | Alte Artefakte | Neues Artefakt |
|---|---|---|
| AutoML Image Labeling ohne Download des Remote-Modells | com.google.mlkit:image-labeling-automl:16.2.1 | com.google.mlkit:image-labeling-custom:16.0.0-beta5 |
| AutoML Image Labeling mit Download des Remote-Modells |
com.google.mlkit:image-labeling-automl:16.2.1 com.google.mlkit:linkfirebase:16.0.1 |
com.google.mlkit:image-labeling-custom:16.0.0-beta5 Wenn Sie benutzerdefinierte Modelle hosten und herunterladen möchten, verschieben Sie Ihre Modelle nach Cloud Storage und fügen Sie Ihrer App eine Downloadlogik hinzu, um sie mit LocalModel zu laden. Weitere Informationen finden Sie in der [Migrationsanleitung von Firebase ML zu Cloud Storage][migrate-storage]. |
Schritt 2: Klassennamen aktualisieren
Wenn Ihre Klasse in dieser Tabelle aufgeführt ist, nehmen Sie die angegebene Änderung vor:
| Alte Klasse | Neue Klasse |
|---|---|
| com.google.mlkit.vision.label.automl.AutoMLImageLabelerLocalModel | com.google.mlkit.common.model.LocalModel |
| com.google.mlkit.vision.label.automl.AutoMLImageLabelerRemoteModel |
com.google.mlkit.common.model.LocalModel Ihre App muss eine Logik enthalten, um remote gehostete Modelle herunterzuladen und mit LocalModel zu initialisieren. |
| com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions | com.google.mlkit.vision.label.custom.CustomImageLabelerOptions |
Schritt 3: Methodennamen aktualisieren
Es sind nur geringfügige Codeänderungen erforderlich:
LocalModelkann jetzt entweder mit einem Modellpfad (wenn das Modell Metadaten mit der Labelzuordnung enthält) oder einem Modellmanifestpfad (wenn sich Manifest, Modell und Labels in separaten Dateien befinden) initialisiert werden.- Fügen Sie Ihrer App eine Logik hinzu, um remote gehostete Modelle in den lokalen Speicher herunterzuladen und mit
LocalModelzu laden.
Hier sind einige Beispiele für alte und neue Kotlin-Methoden:
Alt
val localModel = AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute path to manifest file) .build() val optionsWithLocalModel = AutoMLImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build() val remoteModel = AutoMLImageLabelerRemoteModel.Builder("automl_remote_model") .build() val optionsWithRemoteModel = AutoMLImageLabelerOptions.Builder(remoteModel) .build()
Neu
// Similar process for both local and remotely-hosted models (that have been downloaded) val localModel = LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute path to manifest file) .build() val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build()
Hier sind einige Beispiele für alte und neue Java-Methoden:
Alt
AutoMLImageLabelerLocalModel localModel = new AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute path to manifest file) .build(); AutoMLImageLabelerOptions optionsWithLocalModel = new AutoMLImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build(); AutoMLImageLabelerRemoteModel remoteModel = new AutoMLImageLabelerRemoteModel.Builder("automl_remote_model").build(); AutoMLImageLabelerOptions optionsWithRemoteModel = new AutoMLImageLabelerOptions.Builder(remoteModel) .build();
Neu
// Similar process for local models and remotely-hosted models (that have been downloaded) LocalModel localModel = new LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute path to manifest file) .build(); CustomImageLabelerOptions optionsWithLocalModel = new CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build();
Migrationsanleitung für iOS
Vorbereitung
- Xcode 13.2.1 oder höher ist erforderlich.
Schritt 1: Cocoapods aktualisieren
Aktualisieren Sie die Abhängigkeiten für die ML Kit iOS-Cocoapods in der Podfile-Datei Ihrer App:
| Funktion | Alte Pod-Namen | Neue Pod-Namen |
|---|---|---|
| AutoML Image Labeling ohne Download des Remote-Modells | GoogleMLKit/ImageLabelingAutoML | GoogleMLKit/ImageLabelingCustom |
| AutoML Image Labeling mit Download des Remote-Modells |
GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase |
GoogleMLKit/ImageLabelingCustom Wenn Sie benutzerdefinierte Modelle hosten und herunterladen möchten, verschieben Sie Ihre Modelle nach Cloud Storage und fügen Sie Ihrer App eine Downloadlogik hinzu, um sie als lokale Modelle zu laden. Weitere Informationen finden Sie in der [Migrationsanleitung von Firebase ML zu Cloud Storage][migrate-storage]. |
Schritt 2: Klassennamen aktualisieren
Wenn Ihre Klasse in dieser Tabelle aufgeführt ist, nehmen Sie die angegebene Änderung vor:
Swift
| Alte Klasse | Neue Klasse |
|---|---|
| AutoMLImageLabelerLocalModel | LocalModel |
| AutoMLImageLabelerRemoteModel |
LocalModel Wenn Sie benutzerdefinierte Modelle hosten und herunterladen möchten, verschieben Sie Ihre Modelle nach Cloud Storage und fügen Sie Ihrer App eine Downloadlogik hinzu, um sie als lokale Modelle zu laden. Weitere Informationen finden Sie in der [Migrationsanleitung von Firebase ML zu Cloud Storage][migrate-storage]. |
| AutoMLImageLabelerOptions | CustomImageLabelerOptions |
Objective-C
| Alte Klasse | Neue Klasse |
|---|---|
| MLKAutoMLImageLabelerLocalModel | MLKLocalModel |
| MLKAutoMLImageLabelerRemoteModel |
MLKLocalModel Wenn Sie benutzerdefinierte Modelle hosten und herunterladen möchten, verschieben Sie Ihre Modelle nach Cloud Storage und fügen Sie Ihrer App eine Downloadlogik hinzu, um sie als lokale Modelle zu laden. Weitere Informationen finden Sie in der [Migrationsanleitung von Firebase ML zu Cloud Storage][migrate-storage]. |
| MLKAutoMLImageLabelerOptions | MLKCustomImageLabelerOptions |
Schritt 3: Methodennamen aktualisieren
Es sind nur geringfügige Codeänderungen erforderlich:
LocalModelkann jetzt entweder mit einem Modellpfad (wenn das Modell Metadaten mit der Labelzuordnung enthält) oder einem Modellmanifestpfad (wenn sich Manifest, Modell und Labels in separaten Dateien befinden) initialisiert werden.- Fügen Sie Ihrer App eine Logik hinzu, um remote gehostete Modelle in den lokalen Speicher herunterzuladen und mit
LocalModelzu laden.
Hier sind einige Beispiele für alte und neue Swift-Methoden:
Alt
let localModel =
AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json")
let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel)
let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model")
let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)Neu
// Similar process for local models and remotely-hosted models (that have been downloaded) guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return } let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel)
Hier sind einige Beispiele für alte und neue Objective-C-Methoden:
Alt
MLKAutoMLImageLabelerLocalModel *localModel = [[MLKAutoMLImageLabelerLocalModel alloc] initWithManifestPath:"automl/manifest.json"]; MLKAutoMLImageLabelerOptions *optionsWithLocalModel = [[MLKAutoMLImageLabelerOptions alloc] initWithLocalModel:localModel]; MLKAutoMLImageLabelerRemoteModel *remoteModel = [[MLKAutoMLImageLabelerRemoteModel alloc] initWithManifestPath:"automl/manifest.json"]; MLKAutoMLImageLabelerOptions *optionsWithRemoteModel = [[MLKAutoMLImageLabelerOptions alloc] initWithRemoteModel:remoteModel];
Neu
// Similar process for local models and remotely-hosted models (that have been downloaded) MLKLocalModel *localModel = [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"]; MLKCustomImageLabelerOptions *optionsWithLocalModel = [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel];