Guía de migración del Kit de AA para AutoML Vision Edge

Puedes pasar un modelo de clasificación de imágenes entrenado por AutoML a las APIs de modelos personalizados. Puedes seguir incluyendo el modelo en tu app o alojarlo en Firebase console como un modelo personalizado. La API de AutoML Image Labeling se quitó de ML Kit, ya que se reemplazó por completo por la API de Custom Model Image Labeling.

API¿Qué cambiará?
API de AutoML Vision Edge para el etiquetado de imágenes Se reemplazó por completo con la API de etiquetado de imágenes del modelo personalizado. Se quitó la API de AutoML Vision Edge para el etiquetado de imágenes existente.

Si usas la API de AutoML Vision Edge, sigue las instrucciones de migración para Android y iOS.

Preguntas frecuentes

¿Por qué se aplicó este cambio?

Ayuda a simplificar las APIs de ML Kit y facilita la integración de ML Kit en tu app. Con este cambio, puedes usar un modelo entrenado con AutoML de la misma manera que un modelo personalizado. También te permite usar modelos entrenados con AutoML para la detección y el seguimiento de objetos, además del etiquetado de imágenes que admitimos. Además, la API del modelo personalizado admite tanto modelos con un mapa de etiquetas incorporado en sus metadatos como modelos con archivos de etiquetas y manifiestos separados.

¿Qué beneficios obtengo al migrar al nuevo SDK?

  • Nuevas funciones: Capacidad de usar modelos entrenados con AutoML para el etiquetado de imágenes y la detección y el seguimiento de objetos, y capacidad de usar modelos con un mapa de etiquetas incorporado en sus metadatos.

Guía de migración para Android

Paso 1: Actualiza las importaciones de Gradle

Actualiza las dependencias de las bibliotecas de Android del ML Kit en el archivo Gradle (generalmente app/build.gradle.kts) de tu módulo (nivel de app) según la siguiente tabla:

FunciónArtefactos anterioresNuevo artefacto
Etiquetado de imágenes con AutoML sin descarga remota de modelos com.google.mlkit:image-labeling-automl:16.2.1 com.google.mlkit:image-labeling-custom:16.0.0-beta5
Etiquetado de imágenes con AutoML y descarga remota de modelos 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
Para alojar y descargar modelos personalizados, mueve tus modelos a Cloud Storage y agrega lógica de descarga en tu app para cargarlos con LocalModel. Para obtener más detalles, consulta la [guía de migración de Firebase ML a Cloud Storage][migrate-storage].

Paso 2: Actualiza los nombres de las clases

Si tu clase aparece en esta tabla, realiza el cambio indicado:

Clase anteriorClase nueva
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
Tu app debe incluir lógica para descargar modelos alojados de forma remota y para inicializarlos con LocalModel.
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

Paso 3: Actualiza los nombres de los métodos

Los cambios en el código son mínimos:

  • Ahora, LocalModel se puede inicializar con una ruta de acceso al modelo (si el modelo tiene metadatos que contienen el mapa de etiquetas) o una ruta de acceso al manifiesto del modelo (si el manifiesto, el modelo y las etiquetas están en archivos separados).
  • Agrega lógica a tu app para descargar modelos alojados de forma remota en el almacenamiento local y cargarlos con LocalModel.

Estos son algunos ejemplos de métodos de Kotlin antiguos y nuevos:

Antiguo

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()

Nuevo

// 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()

Estos son algunos ejemplos de métodos de Java antiguos y nuevos:

Antiguo

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();

Nuevo

// 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();

Guía de migración para iOS

Requisitos previos

  • Se requiere Xcode 13.2.1 o una versión posterior.

Paso 1: Actualiza Cocoapods

Actualiza las dependencias de los CocoaPods de ML Kit para iOS en el Podfile de tu app:

FunciónNombres anteriores de los podsNombres de los nuevos pods
Etiquetado de imágenes con AutoML sin descarga remota de modelos GoogleMLKit/ImageLabelingAutoML GoogleMLKit/ImageLabelingCustom
Etiquetado de imágenes con AutoML y descarga remota de modelos GoogleMLKit/ImageLabelingAutoML
GoogleMLKit/LinkFirebase 		GoogleMLKit/ImageLabelingCustom
Para alojar y descargar modelos personalizados, mueve tus modelos a Cloud Storage y agrega lógica de descarga en tu app para cargarlos como modelos locales. Para obtener más detalles, consulta la [guía de migración de Firebase ML a Cloud Storage][migrate-storage].

Paso 2: Actualiza los nombres de las clases

Si tu clase aparece en esta tabla, realiza el cambio indicado:

Swift

Clase anteriorClase nueva
AutoMLImageLabelerLocalModel LocalModel
AutoMLImageLabelerRemoteModel LocalModel
Para alojar y descargar modelos personalizados, mueve tus modelos a Cloud Storage y agrega lógica de descarga en tu app para cargarlos como modelos locales. Para obtener más detalles, consulta la [guía de migración de Firebase ML a Cloud Storage][migrate-storage].
AutoMLImageLabelerOptions CustomImageLabelerOptions

Objective-C

Clase anteriorClase nueva
MLKAutoMLImageLabelerLocalModel MLKLocalModel
MLKAutoMLImageLabelerRemoteModel MLKLocalModel
Para alojar y descargar modelos personalizados, mueve tus modelos a Cloud Storage y agrega lógica de descarga en tu app para cargarlos como modelos locales. Para obtener más detalles, consulta la [guía de migración de Firebase ML a Cloud Storage][migrate-storage].
MLKAutoMLImageLabelerOptions MLKCustomImageLabelerOptions

Paso 3: Actualiza los nombres de los métodos

Los cambios en el código son mínimos:

  • Ahora, LocalModel se puede inicializar con una ruta de acceso al modelo (si el modelo tiene metadatos que contienen el mapa de etiquetas) o una ruta de acceso al manifiesto del modelo (si el manifiesto, el modelo y las etiquetas están en archivos separados).
  • Agrega lógica a tu app para descargar modelos alojados de forma remota en el almacenamiento local y cargarlos con LocalModel.

Estos son algunos ejemplos de métodos de Swift antiguos y nuevos:

Antiguo

let localModel =
    AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json")
let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel)
let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model")
let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)

Nuevo

// 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)

Estos son algunos ejemplos de métodos de Objective-C antiguos y nuevos:

Antiguo

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];

Nuevo

// 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];