Vous pouvez transmettre un modèle de classification d'images entraîné par AutoML aux API du modèle personnalisé. Vous pouvez continuer à regrouper le modèle dans votre application ou à l'héberger dans la console Firebase en tant que modèle personnalisé. L'API d'étiquetage d'images AutoML a été supprimée de ML Kit, car elle a été entièrement remplacée par l'API Custom Model Imageing.
API | Qu'est-ce qui change ? |
---|---|
API d'étiquetage d'images AutoML Vision Edge | Elle est entièrement remplacée par l'API d'étiquetage d'image du modèle personnalisé. L'API d'étiquetage d'image AutoML Vision Edge existante est supprimée. |
Si vous utilisez actuellement ML Kit à l'aide de l'API AutoML Vision Edge, veuillez suivre les instructions de migration pour Android et iOS.
Questions fréquentes
Pourquoi ce changement ?
Cela simplifie les API ML Kit et facilite l'intégration de ML Kit dans votre application. Avec ce changement, vous pouvez utiliser un modèle entraîné sur AutoML de la même manière qu'un modèle personnalisé. Il vous permet également d'utiliser des modèles entraînés par AutoML pour la détection et le suivi d'objets, en plus de l'étiquetage d'images que nous prenons actuellement en charge. De plus, l'API de modèle personnalisé est compatible avec les modèles dont le mappage de libellés est intégré à ses métadonnées, ainsi qu'avec les modèles avec des fichiers manifestes et des fichiers d'étiquettes distincts.
Quels sont les avantages de la migration vers le nouveau SDK ?
- Nouvelles fonctionnalités: possibilité d'utiliser des modèles entraînés par AutoML pour l'étiquetage d'images, ainsi que la détection et le suivi des objets, et possibilité d'utiliser des modèles avec un mappage d'étiquettes intégré dans ses métadonnées.
Guide de migration pour Android
Étape 1: Mettez à jour les importations Gradle
Mettez à jour les dépendances des bibliothèques Android ML Kit dans le fichier Gradle de votre module (au niveau de l'application) (généralement app/build.gradle
) conformément au tableau suivant:
Sélection | Anciens artefacts | Nouvel artefact |
---|---|---|
Étiquetage d'images AutoML sans téléchargement de modèle distant | com.google.mlkit:image-labeling-automl:16.2.1 | com.google.mlkit:image-labeling-custom:16.0.0-beta5 |
Étiquetage d'images AutoML avec téléchargement d'un modèle distant |
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 com.google.mlkit:linkfirebase:17.0.0 |
Étape 2: Modifiez les noms des classes
Si votre cours figure dans ce tableau, effectuez la modification indiquée:
Ancienne classe | Nouveau cours |
---|---|
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.CustomRemoteModel |
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions | com.google.mlkit.vision.label.custom.CustomImageLabelerOptions |
Étape 3: Mettez à jour le nom des méthodes
Le code n'a que peu de modifications à apporter:
LocalModel
peut désormais être initialisé soit avec un chemin d'accès au fichier de modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes), soit avec un chemin d'accès au fichier manifeste de modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).- Vous pouvez héberger un modèle personnalisé à distance via la console Firebase et initialiser un
CustomRemoteModel
avec unFirebaseModelSource
.
Voici quelques exemples d'anciennes et de nouvelles méthodes Kotlin:
Ancienne version
val localModel = AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute file 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()
Nouveau
val localModel = LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute file path to manifest file) .build() val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build() val firebaseModelSource = FirebaseModelSource.Builder("automl_remote_model") .build() val remoteModel = CustomRemoteModel.Builder(firebaseModelSource).build() val optionsWithRemoteModel = CustomImageLabelerOptions.Builder(remoteModel) .build()
Voici quelques exemples d'anciennes et de nouvelles méthodes Java:
Ancienne version
AutoMLImageLabelerLocalModel localModel = new AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute file 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();
Nouveau
LocalModel localModel = new LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute file path to manifest file) .build() CustomImageLabelerOptions optionsWithLocalModel = new CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build(); FirebaseModelSource firebaseModelSource = new FirebaseModelSource.Builder("automl_remote_model").build(); CustomRemoteModel remoteModel = new CustomRemoteModel.Builder(firebaseModelSource).build(); CustomImageLabelerOptions optionsWithRemoteModel = new CustomImageLabelerOptions.Builder(remoteModel).build();
Guide de migration pour iOS
Conditions préalables
- Xcode 13.2.1 ou version ultérieure est requis.
Étape 1: Mettez à jour CocoaPods
Mettez à jour les dépendances des CocoaPods iOS ML Kit dans le Podfile de votre application:
Sélection | Anciens noms des pods | Noms des nouveaux pods |
---|---|---|
Étiquetage d'images AutoML sans téléchargement de modèle distant | GoogleMLKit/ImageLabelingAutoML | GoogleMLKit/ImageLabelingCustom |
Étiquetage d'images AutoML avec téléchargement d'un modèle distant |
GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase |
GoogleMLKit/ImageLabelingCustom GoogleMLKit/LinkFirebase |
Étape 2: Modifiez les noms des classes
Si votre cours figure dans ce tableau, effectuez la modification indiquée:
Swift
Ancienne classe | Nouveau cours |
---|---|
AutoMLImageLabelerLocalModel | LocalModel |
AutoMLImageLabelerRemoteModel | CustomRemoteModel |
AutoMLImageLabelerOptions | CustomImageLabelerOptions |
Objective-C
Ancienne classe | Nouveau cours |
---|---|
MLKAutoMLImageLabelerLocalModel | MLKLocalModel |
MLKAutoMLImageLabelerRemoteModel | MLKCustomRemoteModel |
MLKAutoMLImageLabelerOptions | MLKCustomImageLabelerOptions |
Objective-C
Étape 3: Mettez à jour le nom des méthodes
Le code n'a que peu de modifications à apporter:
LocalModel
peut désormais être initialisé soit avec un chemin d'accès au fichier de modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes), soit avec un chemin d'accès au fichier manifeste de modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).- Vous pouvez héberger un modèle personnalisé à distance via la console Firebase et initialiser un
CustomRemoteModel
avec unFirebaseModelSource
.
Voici quelques exemples d'anciennes et de nouvelles méthodes Swift:
Ancienne version
let localModel = AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json") let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel) let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model") let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)
Nouveau
guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return } let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel) let firebaseModelSource = FirebaseModelSource(name: "automl_remote_model") let remoteModel = CustomRemoteModel(remoteModelSource: firebaseModelSource) let optionsWithRemoteModel = CustomImageLabelerOptions(remoteModel: remoteModel)
Voici quelques exemples d'anciennes et de nouvelles méthodes Objective-C:
Ancienne version
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];
Nouveau
MLKLocalModel *localModel = [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"]; MLKCustomImageLabelerOptions *optionsWithLocalModel = [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel]; MLKFirebaseModelSource *firebaseModelSource = [[MLKFirebaseModelSource alloc] initWithName:@"automl_remote_model"]; MLKCustomRemoteModel *remoteModel = [[MLKCustomRemoteModel alloc] initWithRemoteModelSource:firebaseModelSource]; MLKCustomImageLabelerOptions *optionsWithRemoteModel = [[MLKCustomImageLabelerOptions alloc] initWithRemoteModel:remoteModel];