Guide de migration d'AutoML Vision Edge du ML Kit

Vous pouvez transmettre un modèle de classification d'images entraîné avec AutoML aux API de 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 AutoML Image Labeling a été supprimée de ML Kit, car elle a été entièrement remplacée par l'API Custom Model Image Labeling.

Si vous utilisez l'API AutoML Vision Edge, suivez les instructions de migration pour Android et iOS.

Questions fréquentes

Pourquoi ce changement ?

Cela permet de simplifier les API ML Kit et d'intégrer plus facilement ML Kit à votre application. Grâce à ce changement, vous pouvez utiliser un modèle entraîné par AutoML exactement 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 en charge. De plus, l'API de modèle personnalisé est compatible avec les modèles dont le mappage d'étiquettes est intégré aux métadonnées, ainsi qu'avec les modèles dont les fichiers de fichier manifeste et d'étiquettes sont 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 pour la détection et le suivi d'objets, et possibilité d'utiliser des modèles avec une carte d'étiquettes intégrée dans leurs métadonnées.

Guide de migration pour Android

Étape 1 : Mettre à jour les importations Gradle

Mettez à jour les dépendances des bibliothèques ML Kit pour Android dans le fichier Gradle de votre module (au niveau de l'application, généralement app/build.gradle.kts) en fonction du tableau suivant :

Étape 2 : Mettre à jour les noms de classe

Si votre classe apparaît dans ce tableau, apportez la modification indiquée :

Étape 3 : Mettre à jour les noms des méthodes

Les modifications de code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).
• Ajoutez une logique à votre application pour télécharger des modèles hébergés à distance dans l'espace de stockage local et les charger à l'aide de LocalModel.

Voici quelques exemples d'anciennes et de nouvelles méthodes Kotlin :

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()

// 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()

Voici quelques exemples d'anciennes et de nouvelles méthodes Java :

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();

// 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();

Guide de migration pour iOS

Prérequis

• Xcode 13.2.1 ou version ultérieure est requis.

Étape 1 : Mettez à jour CocoaPods

Mettez à jour les dépendances des CocoaPods iOS de ML Kit dans le fichier Podfile de votre application :

Étape 2 : Mettre à jour les noms de classe

Si votre classe apparaît dans ce tableau, apportez la modification indiquée :

Étape 3 : Mettre à jour les noms des méthodes

Les modifications de code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).
• Ajoutez une logique à votre application pour télécharger des modèles hébergés à distance dans l'espace de stockage local et les charger à l'aide de LocalModel.

Voici quelques exemples d'anciennes et de nouvelles méthodes Swift :

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

// 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)

Voici quelques exemples d'anciennes et de nouvelles méthodes Objective-C :

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];

// 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];