Guide de migration d'AutoML Vision Edge du ML Kit

Vous pouvez transmettre un modèle de classification d'images entraîné par AutoML aux API de modèles personnalisés. 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'ajout de libellés aux images AutoML a été supprimée de ML Kit, car elle est entièrement remplacée par l'API d'ajout de libellés aux images de modèles personnalisés.

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

Questions fréquentes

Pourquoi ce changement ?

Il permet de simplifier les API ML Kit et de faciliter l'intégration de ML Kit dans 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'ajout de libellés aux images que nous prenons en charge. De plus, l'API de modèles personnalisés est compatible avec les modèles dont la carte de libellés est intégrée dans leurs métadonnées, ainsi qu'avec les modèles dont les fichiers manifeste et de libellés 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'ajout de libellés aux images, la détection et le suivi d'objets, ainsi que d'utiliser des modèles dont la carte de libellés est intégrée dans leurs métadonnées.

Guide de migration pour Android

Étape 1 : Mettre 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.kts) conformément au 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 de méthode

Les modifications du code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant la carte de libellés) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les libellés se trouvent dans des fichiers distincts).
• Ajoutez une logique à votre application pour télécharger des modèles hébergés à distance dans le 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 : Mettre à jour Cocoapods

Mettez à jour les dépendances des cocoapods iOS ML Kit dans le 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 de méthode

Les modifications du code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant la carte de libellés) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les libellés se trouvent dans des fichiers distincts).
• Ajoutez une logique à votre application pour télécharger des modèles hébergés à distance dans le 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];